从春晚舞台到马拉松比赛,“机器人”这个行业在今年爆火“出圈”,吸引了各界人士的关注。人形机器人作为全球科技竞争的新高地、经济发展新引擎以及未来产业发展的新赛道,展现出巨大的发展潜力和广阔的应用前景。近年来,全球人形机器人产业规模持续扩大,预计未来十年将继续保持高速增长的趋势。
作为国产高性能RISC-V内核MCU芯片设计企业,先楫半导体的产品涵盖微控制器芯片及其解决方案,已贯通从感知、通讯到运动、控制的整个控制链,能够为人形机器人提供关节驱动、灵巧手、IMU模块等高性能产品。
2025年4月22日,在第三十三届中国国际电子生产设备暨微电子工业展(NEPCON China)上,先楫半导体携高性能MCU全矩阵产品亮相,重点呈现了面向人形机器人核心部件的解决方案。展会期间,先楫半导体产品总监费振东发表了主题为《解构先楫半导体实时控制芯片驱动的机器人进化密码》的重要演讲,他解析了机器人主控芯片的要求及发展趋势,并基于此,详细介绍了先楫半导体产品的应用优势及各部件落地应用的案例。
(先楫半导体产品总监,费振东)
芯片在机器人的运作中起着至关重要的作用,机器人复杂程度的提升需要芯片的迭代跟进。先楫半导体归纳总结了机器人行业运动控制芯片的发展要求及主要趋势,主要包括高算力、高性能运动控制、高实时性同步通讯、高集成度和小型化、高安全和高可靠性五个方面。
先楫半导体自创立之初,就聚焦于国际高端产品,基于上述五点要求,先楫半导体不断在自身产品及方案上发力,并取得了众多令人瞩目的成果。
(先楫芯片在人形机器人上的应用)
HPM6750作为先楫首款旗舰级高性能MCU产品,在性能上领先国际主流高性能MCU产品如意法半导体的STM32H7系列、恩智浦的i.MX RT系列等,兼具国内生态适配优势与全球通用接口支持。
HPM5300极具优势的运动控制系统,广泛适用于伺服控制应用,可以实现电机运行速度和运行位置的高精度控制。同时先楫半导体创新设计的编码器接口,能够兼容多种编码器协议的专用接口,实现与多摩川、海德汉、IC-haus等主流编码器系统的无缝对接。
在实时通信方面,先楫半导体围绕EtherCAT与TSN等工业以太网标准持续推进。以HPM6E00系列为代表的高性能MCU系列,集成国内第一款获得德国倍福公司(Beckhoff)正版授权的EtherCAT从站控制器(ESC: EtherCAT Slave Controller),具备非常高的实时性,能够达到百兆bps的通讯带宽,非常适合在各个关节的电机控制单元之间进行多环节通讯。
具备高集成度的HPM6E8Y系列则进一步集成双PHY收发器、千兆TSN交换能力和高分辨率PWM,为机器人关节控制、紧凑型伺服等空间受限、高通信密度的应用提供理想方案。
(超高集成度HPM6E8Y芯片性能)
HPM6E8Y高性能MCU内置RISC-V双核,主频600MHz,集成2个以太网PHY收发器,不仅支持EtherCAT从控制器,还支持多达3个外部端口的时间敏感网络(TSN: Time Sensitive Networking)千兆以太网交换机,同时拥有32通道高分辨率PWM输出及∑?数字滤波器,为高精度运动控制系统量身打造出色的硬件平台。该系列产品能够确保以太网通信的高度实时响应与极低延迟,完美适用于小空间、大算力、强通信的高性能伺服电机控制、机器人运动控制等工业自动化场景,进一步提升了系统的集成度与性能优势。
此次先楫半导体展出的人形机器人灵巧手演示平台,采用“HPM6E00主控+HPM5300从控”多芯片架构,搭载高速SPI局域通信网络与EtherCAT骨干通讯,实现微秒级多关节并发控制;关节伺服方案则通过HPM6E00芯片实现片上电流环闭环控制,进一步推动“单芯片架构的伺服”技术落地。
“针对机器人系统在实际部署中面临的安全风险,我们先楫半导体在全系列MCU高性能芯片内融入可信计算单元、安全生命周期控制、物理攻击检测等功能模块,并结合自主Boot ROM/加密算法/硬件密钥库,构建软硬件协同的可信基础,助力客户打造更安全、更智能、更强大的机器人系统。”先楫半导体产品总监费振东如是说。
好文章,需要你的鼓励
这项来自麻省理工和滑铁卢大学的研究质疑了在AI文本排序中"思考过程"的必要性。研究者比较了三种文章重排模型:直接判断的StandardRR、先推理再判断的ReasonRR,以及禁用推理功能的ReasonRR-NoReason。实验结果表明,不仅推理过程没有提高排序质量,有时甚至会降低效果。主要原因是推理导致模型倾向于极端判断,难以表达"部分相关"这种微妙关系。即使应用"自洽性"等改进技术,简单直接的判断方式仍然更为高效有效。研究为信息检索系统设计提供了新视角:有时,少即是多。
TAGS是一种创新的医学问答框架,结合了泛医和专医两种视角,通过层次化检索和不确定性验证机制提升医学AI回答的准确性。该框架由穆罕默德·本·扎耶德人工智能大学等机构的研究团队开发,无需任何模型微调即可显著提升包括GPT-4o和DeepSeek-R1在内的大型语言模型在九个医学问答基准测试上的表现。TAGS通过模拟医疗专家协作、结构化知识检索和质量控制,解决了现有方法在复杂医学推理中的短板,为构建更可靠的医学AI系统提供了新思路。
这篇研究提出了时间抽象值学习(OTA)方法,解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标,原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象,有效缩短规划视野,使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中,OTA显著优于现有方法,证明了该方法在处理长期任务时的有效性。
这项研究探索了大语言模型内部可解释特征的形成过程,分析了它们在训练过程中(时间)、模型层级间(空间)和不同规模模型(尺度)的行为变化。研究团队使用稀疏自编码器技术,成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示,不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值,且在空间分析中发现了早期层特征会在后期层重新激活的现象,这挑战了对变换器模型表示动态的传统认知。