英国机器人初创公司Kirisense近日获得亨利·罗伊斯研究所的资金支持,将致力于开发先进的触觉传感技术,旨在赋予机器人更接近人类的触觉感知能力。
该项目由亨利·罗伊斯研究所工业合作计划提供支持,并与谢菲尔德大学合作推进,核心目标是研发能够实时检测剪切力与滑动状态的机器人指尖。
此次资助的背景是,机器人行业正将关注焦点从感知能力逐步转向操控能力。尽管人工智能与机器视觉领域的进步显著提升了机器人的"视觉"与理解能力,但如何稳定可靠地抓取和操作物体,依然是行业面临的重大挑战之一。
机器人或许能够识别物体并判断其位置,但要在不掉落、不挤压、不损坏物体的前提下成功抓取和操控它,往往需要摄像头无法单独提供的信息。
Kirisense表示,其技术正是为了解决这一难题而设计的——帮助机器人不仅能感知到与物体的接触,还能了解物体在抓取过程中的动态变化。
该资助项目名为"剪切感应指尖原型演示器的开发",计划于2026年7月正式启动。
Kirisense创始人兼首席执行官Kangsheng Bretherton-Liu表示:"人工智能极大地提升了机器人对世界的认知能力。而我们关注的,是机器人真正与世界发生交互时所面临的问题。在接触点实时检测力、运动和滑动的能力,使机器能够对变化中的状况即时作出响应。我们相信,触觉传感将成为下一波机器人浪潮的关键使能技术,尤其是当系统从结构化的工厂环境扩展到物流、医疗和日常人居环境时。"
与目前许多依赖摄像头和图像处理的触觉传感系统不同,Kirisense正在开发一种紧凑型光学传感平台,旨在以更简洁的硬件架构实现高速力感与滑动检测。
该技术的潜在应用领域涵盖食品处理、物流、制造业、医疗保健以及人形机器人等方向。
Kirisense董事会主席Tim Harper表示:"机器人行业多年来一直在攻克感知难题,而下一个挑战是操控能力。机器人也许能精准识别物体及其位置,但在条件不可预测时可靠地处理物体才是更难的挑战。我们相信,触觉传感将成为机器人领域的基础性技术,正如机器视觉成为上一代自动化的基础一样。这个项目将推动这一愿景走向现实。"
亨利·罗伊斯研究所将该项目定性为具有重要战略意义的举措,认为其具备强大的商业化潜力,并将为行业和学术合作伙伴双方带来切实收益。
亨利·罗伊斯研究所是英国国家级先进材料研究与创新机构,专注于支持多个行业新兴技术的研发与商业化落地。
Q&A
Q1:Kirisense研发的机器人触觉传感技术有什么特别之处?
A:Kirisense开发的是一种紧凑型光学传感平台,与大多数依赖摄像头和图像处理的触觉传感系统不同,该平台采用更简洁的硬件架构,能够实现高速力感与滑动检测。它可以让机器人在接触物体时,实时感知剪切力和滑动状态,从而更稳定、更精准地完成抓取和操控动作,而不仅仅依靠视觉信息。
Q2:机器人指尖触觉传感技术可以应用在哪些领域?
A:根据Kirisense的介绍,该触觉传感技术的潜在应用领域非常广泛,包括食品处理、物流配送、制造业、医疗保健以及人形机器人等。尤其是在条件复杂、不可预测的非结构化环境中,如医院、仓储物流中心和日常家居场景,触觉传感技术将发挥关键作用,弥补单纯依靠视觉感知的不足。
Q3:Kirisense的机器人指尖项目什么时候开始?由谁支持?
A:该项目名为"剪切感应指尖原型演示器的开发",计划于2026年7月正式启动。项目由英国国家级先进材料研究机构——亨利·罗伊斯研究所通过其工业合作计划提供资金支持,并与谢菲尔德大学共同合作推进,研究所认为该项目具有重要战略意义和强大的商业化潜力。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。