“

01

机器人自主学习

空间感知的挑战

新闻

7月7日，欧洲首届聚焦物理AI的 MACHINA Summit 在巴黎开幕。大会汇聚了 Google DeepMind、NVIDIA、Apptronik、Boston Dynamics、NEURA Robotics、Skild AI、Hugging Face 等机器人和人工智能领域的企业负责人，共同探讨具身智能、机器人基础模型以及 Physical AI 的最新进展。

大会首日，一家法国机器人初创公司 UMA  发布了首款人形机器人，并首次公布 Real-Time Learning（实时学习） 框架。与传统机器人依赖预设程序不同，UMA 的机器人能够通过观察人类示范学习技能，在真实环境中持续优化动作策略。

也就是说：工程师不必不断写代码，机器人像人一样，通过观察、实践和反馈不断掌握新技能。

“

02

"Future robots should learn the way people do."

未来的机器人应该像人一样学习。

——UMA 联合创始人兼 CEO Rémi Cadène 

大咖讨论

围绕机器人学习能力，多位参会嘉宾也给出了自己的判断。

Apptronik 联合创始人兼 CEO Jeff Cardenas 表示："通用机器人就是未来，而且它们正在到来。我们已经登上山顶，也已经看见了那片应许之地。

Google DeepMind 机器人负责人 Carolina Parada 表示：

"机器人今天还没有真正走进我们的生活，一个重要原因是，它们还无法完成足够好的泛化。

Skild AI 联合创始人 Abhinav Gupta 则提出了另一种思路："如果一个 AI 大脑能够驱动地球上所有机器人，会发生什么？

“

02

机器人发展自主学习，

硬件压力给到了谁？

机器人能够持续学习，前提是持续获取真实世界的数据。相比传统机器人，Real-Time Learning 需要机器人实时采集视觉、深度、空间位置、关节状态、力反馈等多模态信息，并在本地完成感知、推理和动作更新。

这意味着，机器人每学习一项新技能，底层硬件都需要同步提供稳定、准确的数据支撑。

“

03

"下一波 AI 将是 Physical AI。能够理解物理规律、能够与人协同工作的 AI。
"The next wave of AI is physical AI. AI that understands the laws of physics, AI that can work among us."
—— NVIDIA 创始人兼 CEO 黄仁勋

1.

视觉传感器 

学习能力首先建立在"看"之上

无论是 Google DeepMind 持续推进的 Vision-Language-Action（VLA）模型，还是 UMA 的 Real-Time Learning，都需要机器人持续理解周围环境。

RGB 相机、双目视觉、深度相机等视觉传感器，仍然是机器人学习环境、识别目标和生成动作决策的主要数据来源。

2.

空间感知 

开放环境对三维理解的高要求

随着机器人逐渐走出固定产线，进入家庭、物流、仓储等开放场景，仅依赖二维视觉已经难以满足导航和避障需求。

毫米波雷达、IMU 等空间感知硬件，正在帮助机器人构建更加完整的三维环境模型，也是机器人实现自主移动的重要基础。

越来越多机器人企业开始尝试融合视觉和毫米波雷达等多源感知方案，以提升复杂环境下的稳定性。

3.

触觉与力觉

看到、学到、然后自主操作

对于抓取、装配、人机协作等任务，仅依赖视觉远远不够。

六维力传感器、关节力矩传感器以及触觉传感器，能够持续向机器人反馈接触状态和受力变化，帮助模型不断修正动作策略，也是机器人完成精细操作的重要基础。

“

04

UMA 看似想淘汰的是编程

真正被推到台前的却是底层硬件

机器人每增加一种学习能力，就意味着需要更丰富、更精准、更实时的感知数据作为支撑。从视觉、空间感知到触觉反馈。

所以，硬件撑得住吗？它取决于整个感知系统是否能够持续提供高质量数据。 当机器人开始现场学会，模型竞争的下一站，很可能就是传感器、多模态感知融合以及边缘计算能力的竞争。

MACHINA Summit 首日，便揭开了 Physical AI 时代感知硬件升级的新序幕。

此外，2026毫米波雷达技术生态研讨会

8月27日深圳即将启幕。

诚邀各位行业菁英、展会观众与兴趣读者报名参会！