让机器人学会人类动作 晶翔机电以AgileMaster卡位Physical AI新市场 智能应用 影音
236
黑客松
DTindustry

让机器人学会人类动作 晶翔机电以AgileMaster卡位Physical AI新市场

  • 陈俞萍台北

晶翔机电技术长陈奇宏(左)与执行副总经理张宗穆(右)表示,晶翔近年将逾18年动作捕捉技术累积,延伸至机器人训练数据与线上操控应用。晶翔机电
晶翔机电技术长陈奇宏(左)与执行副总经理张宗穆(右)表示,晶翔近年将逾18年动作捕捉技术累积,延伸至机器人训练数据与线上操控应用。晶翔机电

生成式AI从云端与软件应用延伸到实体场域,推动机器人产业进入新一轮发展。现阶段市场讨论多集中在本体设计、关节模块、AI模型与算力平台,但机器人若要进入工厂、仓储或服务场域,仍需面对训练数据不足的问题,尤其是真实、多样且可转换为模型训练格式的动作示范数据。

深耕动作捕捉技术逾18年的晶翔机电,近年将技术延伸至机器人训练数据与线上操控应用。晶翔执行副总经理张宗穆指出,透过动作捕捉、动作重定向与线上操控工具,晶翔可协助客户建立Physical AI所需的训练数据流程。

晶翔机电以IMU动作捕捉、Motion Retargeting与线上操控工具,将操作员动作转换为机器人可执行的示范数据,协助客户建立Physical AI训练流程。晶翔机电

晶翔机电以IMU动作捕捉、Motion Retargeting与线上操控工具,将操作员动作转换为机器人可执行的示范数据,协助客户建立Physical AI训练流程。晶翔机电

执行副总张宗穆表示,随着生成式AI与大型模型的发展,机器人训练进入视觉语言动作模型(VLA)阶段,机器人不再只是执行固定程序,而是需要看懂环境、理解指令、并做出对应的动作。

晶翔技术长陈奇宏指出,机器人若要像人一样理解任务并执移动作,最直接的训练方式,是学习人类在真实场域完成任务的示范数据。语言与影像数据可大量取自网络,但机器人执行真实任务的动作数据仍相当稀缺,数据多样性不足也导致模型泛化能力受限,难以跨场域部署。

现行常见的收集方式,包括VR头盔与遥控器操作,各有明显限制:VR方案场景缺乏景深、动作精准度不足,工程师长时间配戴也容易头晕不适;遥控器操作则直觉性低,动作不自然,收集速度有限。

更根本的问题在于,人体骨架与机器人骨架的自由度和关节范围不同,若直接把人类动作套用到机器人,容易出现碰撞、奇异点或关节无法到位的情况。Physical AI的瓶颈,不只在模型与硬件,也在动作数据如何有效采集、转换并进入后端训练流程。

要解决这个问题,需要长期深耕人体动作数码化的技术能力。晶翔早期应用场域涵盖复健医疗、运动分析、高尔夫挥杆分析,以及VTuber与虚拟角色的动作捕捉应用,其中高尔夫分析产品已进入美国PGA教练体系与大专院校研究场景。这套长期累积的人体动作数码化能力,成为晶翔切入机器人训练市场的基础。

荣获COMPUTEX 2026 Best Choice Award的AgileMaster,是晶翔机电面向Physical AI的主力解决方案,整合IMU动作捕捉、 动作重定向、线上操控与示教数据收集流程,可接入NVIDIA Omniverse、NVIDIA Isaac、与ROS 2等机器人开发环境。 

技术长陈奇宏接着表示,晶翔的解决方案涵盖动作采集(Capture)、动作重定向(Retarget)、线上操控与数据收集(Teleoperate and Collect)三个环节。动作采集方面,操作员穿上IMU动作捕捉设备后,可在工厂、仓储或实验室等场域捕捉全身或上半身动作,相较光学动作捕捉不依赖固定摄影机、不受遮挡限制,也不限于室内环境,部署成本相对可控。

动作重定向方面,技术长陈奇宏指出,传统机器手臂多半只处理末端位置,但套用到人形机器人或双臂应用时,若未考量关节限制与物理条件,极易触发碰撞或奇异点问题。晶翔的动作重定向技术将机器人的自由度、关节限制与物理条件一并纳入计算,让示范数据具备实际可执行性。

线上操控与数据收集方面,客户可透过AgileMaster的导入工具汇入机器人URDF档案,建立数码双生模型,并在NVIDIA Isaac Sim等模拟环境中进行验证 ,操作员完成初始姿势校正后即可示范任务,系统同步记录相关数据,作为后续模仿学习、VLA post-training或机器人控制流程开发的数据基础 。

执行副总张宗穆指出,影像方案的数据有效率约只有10%至20%,线上操控方式的精准度则明显更高,客户也可在购买实体机器人前先行概念验证(POC),降低导入试错成本。

市场策略上,晶翔近期以工业自动化与协作机器人为主要切入点,应用涵盖协作双手臂、灵巧手、末端夹爪与上半身动作训练,这类场景任务定义明确,导入逻辑相对清晰。中长期则随服务型与人形机器人的发展,延伸至跨场域的技能训练需求。

技术长陈奇宏以便利商店备餐为例指出,机器人在这类场景中不能只靠点对点移动,而需要识别环境、理解任务、操作各式物件;从工厂产线到家庭场景,每个应用都需要针对特定技能累积示范数据。

合作生态方面,晶翔已与达明机器人、Universal Robots、Franka等机器人厂商建立合作关系,并与达明机器人在GTC共同展示合作成果,投资方涵盖台湾指标性电子制造集团,可见晶翔在本土产业生态中的定位已获认可。

执行副总张宗穆最后表示,台湾具备发展机器人产业的硬件条件,在马达、螺杆、控制器与电子制造等领域基础成熟,但目前在整机应用、动作数据与任务训练等环节仍有强化空间。

随着Physical AI应用逐步落地,相关需求将快速浮现。晶翔机电累积多年的IMU动作传感、动作捕捉与动作重定向技术,可协助机器人制造商、系统整合商与自动化业者建立训练数据流程,以较低导入门槛完成任务验证与技能训练,加速产品开发与应用落地,掌握市场先机。