机器人的一个落地场景

风雨同行

作为一个零部件厂家，跟机器人主机厂处理一个汽车总装使用机器人装配的落地方案，也是很多主机厂包括特斯拉uptimus在搞的事情。毕竟总装自动化率都不超过30%，不同主机厂总动化率差异大，同类方案可迁移到机床类产品装配。
用轮足机器人，双臂轮式+立柱升降，19个自由度，放弃电池方案，用头顶滑触线或拖链供电（需要改线体，测试阶段仍使用电池），末端执行器用三指和两指，使用主副臂不同负载。刚进入主机厂测试。
在做几个工序，玻璃安装：抬玻璃，打胶，视觉定位，压装；抓起仪表台总成装入座舱；底盘螺栓，副车架螺栓这样的狭窄空间螺栓拧紧。
跟进下来感觉说白了就是可移动+更加灵活的协作机器人，优点在搬用的零件重量一致，动作一致，不需要机器人自主学习，可能碰撞点固定，用双目相机+腕部相机+LiDAR+碰撞传感器即可。
问题点还是负载太小，主臂负载5KG,两台也不够，可靠性存疑，关节多传感器多，各种报错，定位不准。
主机厂对这个项目非常上心，他们讲非常利于讲故事，哈哈。

寂静回声

整体来看，当前行业很多同类方案都陷入了 “AI 叙事”“拟人叙事” 的误区，把简单的工业集成问题包装成通用 AI 机器人问题，结果看起来很炫，落地全是坑。
这套轮式升降双臂设备，本质是AMR 自主移动底盘 + 双协作机械臂 + 升降立柱的系统集成。
轮式机器人移动时追求柔性，作业时必须变成 “刚性固定工位”。如果底盘没有可升降的支撑脚、锁紧机构，机械臂一运动，底盘就会产生轻微晃动和位移，视觉拍得再准，执行端也会飘。这是很多移动作业机器人定位不准的共性原因。



它和特斯拉 Optimus 这类人形机器人是完全不同的技术路线：人形机器人追求 “通用型替代人力”，而这套方案追求 “工位级柔性替代”，后者落地门槛更低，但很容易陷入 “为了拟人而拟人” 的设计误区，反而偏离工业落地的核心需求。
机身双目 + LiDAR，负责全局导航、粗定位、环境避障，精度要求是厘米级，目标是把机器人送到工位 ±5mm 的范围内即可。
腕部相机，负责作业端精定位，精度要求是 0.1mm 级，目标是让末端执行器精准对准工件的装配特征（螺栓孔、玻璃边、仪表台定位销）。

正确逻辑是“底盘粗到位 → 基坐标系校准 → 腕部视觉精定位”，两套系统完全独立，各算各的坐标系，根本不需要 “大脑同时处理四路图像”。

现在出现定位漂移，大概率是两个问题：
强行做多传感器端到端融合，不同精度、不同刷新率的数据互相干扰；
没有做底盘与机械臂的基坐标系误差补偿，底盘的厘米级晃动偏移直接传递到臂端，腕部视觉再精准也补不掉基座的偏差。

工业视觉的精度，90% 来自相机内参、手眼关系、臂基与底盘坐标系的标定精度，剩下 10% 才是识别算法。总装的玻璃、仪表台、螺栓孔都是高度结构化的几何特征，，障碍物和干涉区域基本固定，提前做路径规划和离线碰撞检测即可，完全不需要实时 AI 动态避障，后者反而会引入误判和卡顿。



自由度越多，故障点呈指数上升。汽车总装车间对设备 OEE（综合效率）要求通常在 95% 以上，而协作臂本身的 MTBF（平均无故障时间）就低于传统工业机器人，再叠加移动底盘、升降柱、多套视觉传感器，整个系统的可靠性是各环节的乘法关系。 一个关节报错、一个视觉丢帧，整个工位就停线。
工程上的成熟做法是做自由度的减法，绝大多数装配工序 6 轴机械臂完全够用，7 轴冗余自由度除了 “看起来更灵活”，对总装工序的实际增益极低，反而徒增故障点和标定维护成本。


如果要推进这套方案在主机厂真正量产落地，核心是去概念化，用工控思维替代 AI 叙事。
视觉架构重构：独立分层，能用标定就不用 AI。
重载工位如玻璃安装、仪表台装配，放弃双壁对称的 “拟人感”，采用单大负载臂 + 辅助机构的方案，功能优先。

轻载工位如日中天底盘螺栓、内饰装配，使用双协作臂方案，发挥柔性优势。
不要试图用一台机器人覆盖所有总装工序，分场景选型才是量产落地的关键。

砍掉非必要传感器，冗余的碰撞检测、全向感知只保留核心安全配置，减少故障点。
针对主机厂车间环境（油污、粉尘、光照波动）做视觉防护和算法鲁棒性验证，避免量产环境下频繁出现识别丢帧。