资讯详情

行业资讯
为什么可变形材料是物理人工智能的真正制造测试 资讯 author

为什么可变形材料是物理人工智能的真正制造测试

12
The Robot Report
Cam Myers, CreateMe
2026-05-01
Createme 首席执行官表示,物理人工智能可以通过正确的方法和软件来解决服装及其他领域中可变形材料的组装问题。
用于可变形材料的 createme me-ra 装配站的广角图像。

可变形材料(例如服装)的组装可以通过重复手动缝纫以外的方式实现自动化。来源:Createme

200 多年来,缝纫机定义了服装的制作方式。它使工匠的双手实现了机械化,但也让整个行业围绕着一个理念:将线穿过织物。尽管机器人技术和自动化取得了进步,但大多数服装仍然依赖于相同的逻辑,人类劳动为机器难以复制的可变形材料提供灵活性、对齐和异常处理。

限制并不是缺乏努力。大多数方法都试图自动化从未为机器设计的流程。

传统al 自动化擅长执行严格的、可预测的任务,例如焊接、装配和其他稳定的物料搬运任务。织物的行为有所不同。它在整个任务过程中会拉伸、起皱、折叠和改变状态。当材料变形时,机器人会陷入困境,不是因为它们无法精确移动,而是因为它们无法可靠地估计材料状态或适应不断变化的条件。

这一差距指出了制造领域更广泛的挑战:构建能够感知、推理接触并实时适应的系统,而不是简单地重放预先编写的动作。这就是物理人工智能的承诺。

从可变形演示到生产

进步是真实的。视觉、模拟、感知和机器人智能的进步正在将灵巧的操作从实验室演示转向部署。但商业化的障碍并不在于机器人能否一次性完成一项任务。是它是否可以连续运行,跨变化,具有可接受的吞吐量,y这些方法目前正在生产环境中进行测试,其中性能是通过正常运行时间、周期时间以及保持系统运行所需的工程工作来衡量的。可变形材料很快就会暴露出良好的演示与可部署系统之间的差距。

为什么服装是一个要求苛刻的测试平台

服装是物理人工智能最难的商业测试平台之一。很少有制造类别能够将如此多的物理变化(织物类型、悬垂性、弹力、轮廓、层叠和结构)与这种水平的全球规模和成本压力结合起来。

如果一个系统能够可靠地感知、预测和控制布料,那么它就为更广泛地处理柔性材料奠定了可转移的基础。织物处理并不是一个小问题。这是对物质意识操纵的实际测试。

困难在于,许多努力都是从尝试自动化缝纫本身开始的 - 保留问题中最困难的部分,而不是消除

重新设计流程,而不仅仅是自动化

更具可扩展性的方法是围绕机器人可以控制的内容重新设计制造。

服装可以被视为待成型的形式,而不是复制针线工作流程。粘合而不是穿孔和缝合。这改变了问题的结构。

在实践中,挑战不再是“教机器人处理织物”,而是“让织物以机器人可以学习的方式表现”。

可变形材料本质上是不稳定的。仅当系统引入约束和一致的参考几何形状时,基于学习的操作才变得可靠。

单侧访问可降低遮挡和协调复杂性。三维模具和夹具可稳定几何形状并提高可观察性。专用夹具可以更好地控制柔软的多孔材料。粘合组件去除了切断器针和线施加的所有限制。

这些选择共同创造了一个更加受控的环境,在这个环境中感知、计划和学习可以概括。这是中心点:对于可变形装配,工艺设计和智能是密不可分的。

这些系统之所以有效,不是因为人工智能分层到现有工作流程上,而是因为机器人技术、连接方法和基于学习的控制被设计为一个单一的集成系统。

粘合还引入了一种不同的灵活性。粘合剂图案可以将拉伸、耐用性和性能直接编码到接头中。实际上,关节变得可编程,而不仅仅是机械的。通过闭环反馈,放置和固化可以根据系统前面的材料进行调整,而不是理想化的基线。每个操作既成为制造步骤,又成为数据源。

编者注:物理人工智能将成为机器人峰会和会议上讨论的主题之一;本月在波士顿举办世博会。立即注册参加。

在生产中学习复合时

在此模型中,能力较少来自硬编码的运动,而更多来自学习的行为。对齐、展平和放置等技能可以跨产品和材料转移。随着时间的推移,性能通过数据而不是重复的重组来提高。

这并不能消除对硬件或流程规则的需求。但它改变了系统的适应方式。系统可以在定义的约束内进行概括,而不是为每个变体重建工作流程。

这种转变对制造架构产生了影响。当改进由软件驱动时,生产可以更加响应需求,缩短交货时间,减少对大型固定生产运行的依赖。

可变形的机器人处理超出了服装范围

服装是一个有用的试验场,但其影响远远超出了服装范围。同样的挑战也出现在汽车领域活性内饰、医用纺织品、家具和航空复合材料,这些领域中常见的是可变材料、复杂的几何形状和严格的公差。

可变形组装并不是一个利基应用。它是涉及软制品、技术纺织品、层压板和其他可变材料的行业的基础能力。

从演示到生产现实

该领域目前正在根据生产条件进行评估:正常运行时间、产量、周期时间以及保持系统运行所需的工作量。这种转变是必要的。它将物理人工智能从实验方法转变为实用方法。

自动化的下一阶段将不仅由更快的机器定义,而且由能够估计材料状态、适应变化和随着使用而改进的系统来定义。

下一波制造浪潮不会通过自动化遗留流程而获胜,而是通过重新设计它们以实现智能。


关于作者

cam myers 的头像。

Cam Myers,CreateMe 创始人兼首席执行官。

Cam Myers 是创始人、首席执行官,也是CreateMe 的董事会成员,该公司正在构建软材料自动化制造的基础设施,从服装开始,该公司以机器人技术、专有粘合剂和人工智能驱动的制造系统为动力的数字粘合结构取代了传统缝纫,其基础是“时尚的未来是粘合的”。

Myers 拥有 CreateMe 开发的服装自动化技术的 25 项专利。

在创立该公司之前,他是风险投资支持的 Group Commerce 的创始执行团队成员。最终被 Blackhawk Network 收购的电子商务平台 Myers 此前曾在 DoubleClick 和 Allen & Co. 担任职务。

本文导航

  1. Why deformable materials are physical AI's real manufacturing test
分享4
Shopping Cart
0 new
购物车

当前购物车数量由 Destoon 实时读取

Cart Items
0
打开购物车时加载商品清单
Go to shopping cart 我的订单