作者：沙克    出品：人形机器人洞察研究

3月2日下午，雷军在社交平台披露了小米机器人业务的最新进展。他透露，小米人形机器人已经进入汽车工厂“实习”，在通用 VLA 基座模型 Xiaomi-Robotics-0 的基础上，结合多模态感知与强化学习技术，机器人已能在自攻螺母上件、料箱搬运等工站完成自主作业。

他还给出一个时间判断：未来五年，或将有大批量人形机器人进入小米工厂工作。这是雷军在小米人形机器人方向沉默数年后的阶段性公开。相较于早期发布时的概念展示，此次对外披露的，是机器人真正走进制造现场的进度条。

小米罕见地公开了其人形机器人在装配线上的表现，并宣布其北京电动汽车工厂的机器人已成功从实验室“学徒”过渡到功能性“实习生”。这家电子巨头通过微信发布技术更新，透露其人形机器人平台在自攻螺母安装工位进行了三小时的自主测试，成功率高达90.2%。

此前，CEO雷军曾预测，五年内，人形机器人将在公司所有生产基地大规模投入使用。

该试点项目专注于一项高难度任务：从自动送料器中拾取自攻螺母，并将其安装到一体式压铸后地板部件上。这项任务要求机器人能够应对螺母内部的花键结构、夹爪内螺母方向的不一致以及定位销产生的磁干扰。

推文译文：

从实验室到生产线：小米人形机器人正式“入驻”电动汽车工厂

小米科技近日发布了一项重大进展，宣布其机器人已从实验室走向实际装配线，有效弥合了实验测试与工业生产之间的巨大鸿沟。在最近一次长达3小时的连续自主运行中，小米机器人成功完成了自攻螺母安装工位，双面安装成功率高达90.2%，并达到了生产线要求的76秒周期时间。

这项任务对机器人来说堪称噩梦：机器人需要抓取姿态随机的螺母，并精确地将螺母内部的凸耳对准磁性销钉，同时还要克服磁阻和严格的公差要求。为了确保机器人能够胜任工厂车间的实际应用，小米采用了其自主研发的Xiaomi-Robotics-0 VLA模型，并结合强化学习（RL）和TacRefineNet触觉感知技术，实现了触觉反馈的闭环控制。

该控制栈采用混合架构：一个用于实现亚毫秒级安全性和平衡性的二次规划 (QP) 优化器，以及一个经过数十亿次模拟扰动训练的强化学习 (RL) 控制器。除了硬件层面，小米已开始试点将其应用于料箱处理和前部标识安装，以推动其在汽车制造领域的全面产业化。

Project Page: https://sites.google.com/view/hil-daft/

Arxiv:https://arxiv.org/abs/2509.13774

TacRefineNet:https://sites.google.com/view/tacrefinenet

    Xiaomi-Robotics-0：https://github.com/XiaomiRobotics/Xiaomi-Robotics-0

自主效率：在小米电动汽车工厂进行的三个小时连续试点中，人形机器人实现了 90.2% 的同步双面安装成功率，同时满足了生产线 76 秒的周期时间要求。

除了双侧同步安装成功率高达 90.2% 之外，该机器人还达到了一项关键的工业基准：76 秒的循环时间。这符合现代汽车生产线所需的“生产节奏”，从而回应了人们普遍批评人形机器人平台速度过慢，难以在实际应用中发挥作用的问题。

相比之下，这些指标表明小米与其他西方领先企业处于相近的绩效水平。总部位于英国的初创公司Humanoid近期公布了其在西门子试点项目中90%的成功率，同时在福特项目中每小时拣货量也超出目标60%。

精确对准：结合小米机器人0 VLA模型和TacRefineNet，机器人可进行实时调整（包括旋转、垂直放置和倾斜校正），以处理组件复杂的内部样条结构。

小米将这种可靠性归功于双模型软件栈，该软件栈优先考虑感官反馈而非僵化的编程：小米机器人-0（VLA）：一个视觉-语言-动作基础模型，为空间理解和任务规划提供“大脑”。TacRefineNet：一种基于触觉的专用模型，可实时微调抓握动作。

通过融合头戴式摄像头、腕戴式视觉系统和指尖触觉传感器，该机器人能够在故障发生前检测到螺母是否错位或滑动。这种对触觉传感的重视旨在解决研究人员所称的“莫拉维克悖论”——即人工智能进行高级推理通常比操作小型、光滑工业部件所需的低级运动技能更容易。

小米的“端到端”方法与Figure AI的技术转型不谋而合。在宝马公司Figure 02车队退役后，Figure首席执行官Brett Adcock指出，未来的迭代版本将放弃混合C++代码，转而采用全身神经网络来提升泛化能力。

为了保持工厂车间的稳定性，小米采用了混合运动控制架构。二次规划（QP）优化器处理平衡和安全约束，求解时间小于1毫秒；而经过数十亿次模拟扰动训练的强化学习（RL）控制器则负责从极端物理干扰中恢复。

这种“模拟优先”的训练方式实现了零次部署，这意味着在虚拟环境中学习到的平衡策略无需手动调整即可立即在实际工厂车间发挥作用。

尽管取得了成功，小米仍坦诚地披露了“典型故障案例”，例如因花键错位或杂乱环境中能见度受限而导致的卡顿。目前，该公司正在其他工位验证该机器人，包括安装车标和搬运物料——这些任务与梅赛德斯-奔驰正在使用Apptronik的Apollo机器人探索的任务类似。

小米将机器人研发与电动汽车生产线直接对接——其电动汽车生产线近期刚刚庆祝了第50万辆汽车的下线——这使其自身成为自身的最佳客户。随着行业即将迎来2026年机器人公司IPO热潮，小米展现出的高可用性、高生产效率的机器人技术，有望使其在众多仍在寻求首个长期工厂入驻机会的初创公司中脱颖而出。

资料来源：humanoidsdaily