破解機器人硬體碎片化難題：EPFL 研發「運動學智慧」，讓不同機器人無縫複製技能
在多數製造現場，更換一台機器人往往代表著一切重來：不只是硬體替換，連原本已經部署完成的任務流程也必須重新編寫、校正。即使兩台機器人看起來功能相似，只要關節結構、活動範圍或運動方式稍有不同，既有程式就可能完全失效。這個長期困擾產業的問題，如今出現新的解法。
來自瑞士洛桑聯邦理工學院（EPFL）學習演算法與系統實驗室（LASA）的研究團隊提出一套名為「kinematic intelligence（運動學智慧）」的新型機器人控制框架，讓機器人具備「理解自己身體限制」的能力，進而能在不同機器之間共享技能，而不需要重新編寫程式碼。相關成果已發表於學術期刊《Science Robotics》。
奇異點是機器人的危險地帶，過去靠補丁，現在靠地圖
要理解這項研究解決了什麼問題，需要先了解機器人控制中的一個核心挑戰：奇異點（singularity）。這是一種數學上的危險狀態，當機器人關節對齊到特定角度時，系統會暫時喪失某個自由度，導致動作不穩定，甚至失控。研究的第一作者、EPFL 博士生 Sthithpragya Gupta 以人類手臂比喻：當手肘完全伸直、鎖死時，手臂便暫時無法進行左右方向的動作，機器人遇到奇異點的處境便與此類似。
過去，工程師處理奇異點的方式，是在訓練完成後加入軟體補丁或安全過濾器來修正問題。而新一代資料驅動的 AI 方法雖然省力，卻需要在訓練階段接觸到所有將來會使用到的機器人，而且存在難以預測的風險。Gupta 表示，團隊需要的是確定性，而非機率。
LASA 團隊採取了截然不同的路徑：他們不是事後修補，而是從一開始就將機械限制直接內建進控制策略中。透過對機器人參數的代數分析，包括連桿長度與關節偏移量，團隊精確繪製出機器人關節空間中所有奇異點的分布位置。這些奇異點加上關節的硬性限制，將機器人的可動空間切割為數個可行區域，研究團隊將其稱為「面」（aspects）。
透過分析這些面的拓撲結構，研究團隊將三關節旋轉機器人歸類為六個類型。一旦確認某台機器人屬於哪個類型，就能立即掌握其物理限制的完整地圖。運動學智慧框架據此讓機器人在接近奇異點邊界時，以一種稱為「軌道循環」（track cycle）的策略沿邊界安全滑行，直到找到可以重回正常路徑的安全位置，完成任務。
換句話說，在此基礎上，系統會將人類示範的動作轉換為「通用運動策略」，再根據不同機器的結構，自動調整執行方式。值得一提的是，這套框架並未使用任何 AI 技術，而是建立在純數學與代數分析之上。
實驗驗證：三種不同機器人，共用同一套技能
研究團隊以模擬裝配生產線的實驗，驗證了這套框架的實際效果。實驗中使用了三台規格截然不同的商用機器人：關節限制較緊的 6 自由度 Duatic DynaArm、限制適中的 7 自由度 KUKA LWR IIWA 7，以及限制較寬鬆的 7 自由度 Neura Robotics Maira M。
實驗開始時，由一名人類操作者示範一組連續動作：將木塊從輸送帶推落至工作台、放置到桌面，最後將其拋入籃中。這三個動作隨後分配給三台機器人各自執行：DynaArm 負責推落、KUKA 負責撿起與放置、Neura 負責抓取與投擲。
在沒有重新訓練的前提下，研究團隊調換了三台機器人的位置與分工，測試所有可能的任務組合。結果顯示，無論如何重新分配，整組機器人皆能順利完成任務序列。Gupta 表示，目前最關鍵的挑戰，是將這項技術推向真實的工業裝配現場。
尚待突破的感知瓶頸，與醫療應用展望
研究團隊也坦承，運動學智慧框架目前仍有限制。該框架雖然能保證機器人在機械層面的安全動作，但還不具備應對複雜環境的進階感知能力，像是無法區分搬運滿載容器與空容器所需的不同處理速度，也無法整合「準備咖啡時不應抓取刀具」這類常識判斷。此外，要在人員持續走動的動態工廠環境中安全運作，還需要整合更進階的環境感測系統。
在醫療應用方面，共同第一作者 Durgesh Haribhau Salunkhe 表示，他預計未來 5 年內將出現機械安全性更高的機器人，屆時這套框架可立即移植至新設計上。
研究團隊表示，下一步計畫將框架延伸至人機協作與自然語言互動情境，目標是讓使用者只需以簡單指令下達任務，無需任何技術編程背景，由機器人自行處理其餘的執行細節。Salunkhe 總結表示：「使用者帶來想法與預期行為，機器人負責搞定其他一切。」
【推薦閱讀】
◆ 20 毫秒快速反應、擊敗桌球職業選手：Sony AI 機器人 Ace 如何跨過 Physical AI 的即時決策門檻？
＊本文開放合作夥伴轉載，資料來源：《Ars Technica》、《TechXplore》、《Science Robotics》、EPFL，首圖來源：EPFL