至簡動力馮宗寶：在間隙僅 0.5 毫米的真實場景下，實現機器人造機器人 | IROS 2026

具身智能從實驗室走向真實工廠、邁向精密製造。作者丨鄧哲敏 編輯丨齊鋮湧 你有沒有想過，機器人也可以走進車間，親手造出組裝一臺機器人所需要的零件？這聽起來像個玩笑，實際卻是具身智能最硬核的落地命題。機器人的關節、卡盤、精密結構件，無一不是靠 CNC（計算機數控）車床、銑床一道道加工出來的。如果機器人能自主照看這些機床，完成工件的抓取、上料、插入、取出與放置，那麼機器人工業將被機器人自己反哺——機器人越多，造機器人的能力越強、成本越低，形成正反饋閉環。但要實現這一點，比想象中難得多。造機器人所需的零件，恰恰是對精度要求最苛刻的一批：工件與卡盤之間的間隙往往只有 0.

5 毫米，反光的金屬表面、幾近無紋理的外形、高度相似的零件，都在挑戰機器人的視覺、觸覺與全程精度。實驗室裡再漂亮的演示，到了這裡都得先過公差、節拍、良率這三道關。2026 年 9 月 29 日，美國匹茲堡，機器人學頂級會議 IROS 2026 現場，一場 Tech Talk 正面回應了這一命題：如何讓一臺機器人自主照看兩臺 CNC 機床，在 0.5 毫米的間隙下完成上述全部操作，且僅用 600 條真實機器人軌跡完成訓練。演講者是至簡動力強化學習負責人馮宗寶。這不只是一次技術演示，更是一份關於實驗室精度如何轉化為工廠精度的參考答案。

以下是馮宗寶在 IROS 2026 現場演講的精編稿，基於現場英文演講整理，在不改變原意的基礎上，對口語表達和技術術語進行了重新梳理。▎From Laboratory to Factory: Why Real-World CNC Lathe Manipulation Breaks Current Robot Learning Pipelines主講人：馮宗寶，至簡動力（Simplexity Robotics）強化學習負責人01用機器人造機器人本次分享從一個製造目標說起——用機器人來製造機器人。CNC 操作看起來可能很簡單，但要讓它在真實工廠裡穩定可靠，是完全不同的問題。

它揭示了實驗室基準測試的成功與工廠級精度之間那道清晰的鴻溝。今天，我將展示我們如何努力去彌合這道鴻溝。至簡動力是一家全棧具身智能公司。我們自研的多模態模型，把理解和生成統一在一起；一套閉環的數據飛輪，讓我們能夠持續改進這些模型；統一的模塊化硬件平臺，讓它們運行在真實的機器人上；SimpleClaw 平臺則給開發者提供了一個構建與部署機器人應用的開放平臺。在硬件側，我們有四條產品線。i7 Pro 是我們的輪式機器人，iX 是我們的輪式人形機器人。我們還提供兩種配置的模塊化力控機械臂，這裡分別展示了搭配 Dexter 靈巧手和夾爪的形態。

最後，我們的數據採集手套幫助我們規模化採集人類演示，為機器人學習提供數據。所以，我們的方法連接起三個部分：我們全棧自研，從硬件、軟件到模型；數據採集手套讓規模化採集人類演示成為可能；多模態模型把理解與生成統一在一起。目標是從這些數據中學到更多，抬高機器人在精密 CNC 操作上的能力天花板。本次分享聚焦三個互補的方法：SimpleWAM 從多模態觀測中生成動作片段；DRAM，即 Delta 規則循環關聯記憶，用固定大小的記憶矩陣處理長時序上下文；DPE 用一個單獨訓練的評估器對候選動作打分，同時保持策略凍結。三者合起來，分別解決了我們 CNC 系統中的動作生成、記憶與動作選擇問題。

02真實工廠難題這是我們面對的工廠難題。我們的目標是機器人造機器人，精密 CNC 操作正是其中的代表。它為什麼難？第一，工件與卡盤之間的間隙只有 0.5 毫米，幾乎沒有留給對位誤差的空間。第二，反光的表面、微弱的紋理、外形相似的零件，讓視覺對位變得困難。第三，機器人必須在受限的工作空間裡完成一連串動作，而關鍵的接觸界面並不總是可見的。因此，系統必須在整個任務過程中始終保持精度，即便視覺信息不完整。這些 CNC 約束塑造了我們的架構：弱紋理要求一個足夠強的視覺編碼器；長程接近需要頭部與腕部相機提供的多視角；精密接觸則需要接近感知的條件化。於是，視覺、語言和狀態輸入被轉換為 token。

SimpleWAM 提供多模態骨幹和動作 DiT。我們在兩者之間插入一個 DRAM 模塊，在當前觀測之外補充歷史上下文。動作 DiT 提出候選動作片段，DPE 用一個單獨訓練的評估器對這些候選打分，同時保持訓練好的動作提出器固定不變。被選中的動作片段隨後下發給 i7 Pro。03具體應對方案SimpleWAM 是我們統一的世界動作模型。它的思路是：訓練時從豐富的未來監督中學習，推理時直接預測動作。訓練階段，視頻 DiT、3D DiT 和動作 DiT 在任務指令的引導下，聯合重建未來的視頻幀、3D 狀態與動作片段，讓模型能夠同時學習視覺、空間與動作的動力學。

到了推理階段，我們只輸入當前圖像、當前 3D 狀態和語言指令，模型直接輸出動作片段，而不必再生成未來的圖像或 3D 狀態。在動手之前，我們分別提取特徵，再對它們做自適應融合。一個共享的凍結編碼器，保留來自頭部與腕部相機的密集圖像 token；隨後，查詢分別獨立地讀取每個視角，這樣在融合之前，任何一個視角都不會壓制另一個；門控再針對每個查詢和每個特徵通道，去平衡全局上下文與局部對位線索。最終，融合視覺歷史與魯棒的、狀態條件化的動作 DiT，來預測動作片段。右側的注意力圖展示了更強的邊界聚焦效果。在各方法的標稱試驗中，融合方法成功了 15 次，相比之下，Query-concay 為 0 次，π0.

5 SFT 基線為 8 次。要在一段長任務中持續穩定地動作，機器人需要來自此前步驟的上下文。為此，我們引入 DRAM——Delta 規則循環關聯記憶（Delta-Rule Recurrent Associative Memory），把這種能力附加到預訓練機器人策略上。這裡，凍結的 SimpleWAM 骨幹從當前觀測中提取特徵；DRAM 先用這些特徵讀取記憶中的相關歷史；動作 DiT 把讀取到的歷史與當前上下文結合起來，生成動作片段；在這之後，通過門控的 Delta 規則更新記憶，供下一步使用。記憶是一個固定大小的關聯矩陣，因此它的佔用在任務變長時保持一致。

DRAM 可以在不修改骨幹架構、也不重新訓練骨幹的前提下附加進來，讓長時序記憶更容易接入現有策略。在精密插入的過程中，僅靠視覺可能無法判斷工件正以怎樣的狀態接觸卡盤。力與力矩恰好能補上這些缺失的接觸信息。我們從兩個方面使用它們：其一，接近感知條件化會調整機器人的狀態輸入，讓動作 DiT 在生成下一個動作時把接觸因素考慮進去；其二，實時阻抗控制器利用實時反饋讓執行更穩健，並根據接觸的變化調整運動。二者結合，能夠在直接插入受阻時支持恢復。在精密 CNC 插入任務上，這套組合方法取得了 100% 的任務成功率。常見的做法是用評估器的反饋去更新動作器，但這可能導致策略漂移。

DPE 先訓練一個行為克隆的動作器，再用一個單獨訓練的評估器在部署時對候選動作打分；成功的和失敗的 rollout 隨後只更新評估器，閉環由此形成，而動作器在機器人上始終保持凍結。DPE 提升了任務成功率，並減少了執行步數。04成果展示我們最終實現了機器人單設備全自動值守雙 CNC 機床的完整作業方案。本次主演示視頻以五倍速呈現了機器人的全流程自主作業過程，同時通過多個細分片段，分別展示三項核心獨立工序：工件自主抓取、精準上料卡盤、加工完成後的取件與歸位放置。抓取工件把工件插入卡盤取出並放置工件值得一提的是，整個模型訓練過程，我們僅使用了 600 條真實機器人運動軌跡作為訓練數據。

這也是我們本次工作的核心價值：將具身智能從實驗室的基準測試效果，真正落地到高精度、高真實度的工業製造場景中。為了方便大家抱團交流、互通會議消息，我們專門建了 IROS 2026 參會交流群！進群你會解鎖這些「福利」?會議情報站：投稿 DDL、格式規範、評審進度……關鍵節點第一時間送達，再也不怕錯過 deadline，投稿準備穩穩的。同行茶話會：天南海北的同行都在群裡，聊心得、碰思路、攢人脈，科研路上我們同行。前沿補給站：最新研究成果、熱點方向實時同步，結合會議主題幫你捋清投稿脈絡，給論文靈感加滿油。

現場後援團：（會議期間專屬開啟）：到了會場也不用慌——路線導航：場館分佈、報告廳怎麼走，群裡隨時問；議題共讀：熱門 session、Keynote 探討，錯過也能追；Poster 彙編：現場海報精華整理，一鍵收藏不遺漏；約局廣場：約飯局、採訪局、交流局……想嘮嗑、想合作、想面基，群裡發起就成。?進群傳送門： 掃碼進群或添加微信Luyoyo_2026，備註：ECCV + 單位/學校+姓名+方向。搞科研/搞技術，信息差很重要。來，一起快人一步！上車，帶你看遍全球 AI 頂會精華可獨家暢覽：專家演講PPT大會報告全文熱門論文解讀學術新星訪談掃描上方二維碼或點擊「閱讀原文」關注專區。