Cập nhật lần cuối: ngày 12 tháng 2026 năm XNUMX

Trí tuệ nhân tạo thể hiện trong robot công nghiệp: Mô hình thị giác-ngôn ngữ-hành động đang thay đổi lập trình robot như thế nào

Trí tuệ nhân tạo thể hiện (Embodied AI) đề cập đến trí thông minh máy móc có khả năng cảm nhận môi trường thông qua các cảm biến, suy luận về những gì nó nhìn thấy và tạo ra các hành động vật lý, tất cả trong một mô hình thống nhất. Trong robot nhà máy, điều này rất quan trọng vì mô hình thị giác-ngôn ngữ-hành động (VLA) có thể diễn giải hướng dẫn bằng lời nói, nhận dạng một bộ phận không quen thuộc và thực hiện một chuỗi thao tác mà không cần lập trình từng dòng. Tính đến năm 2026, một số nền tảng nghiên cứu đã chuyển từ các cuộc trình diễn trong phòng thí nghiệm sang các dự án thí điểm công nghiệp ban đầu, định hình lại cách các kỹ sư suy nghĩ về tự động hóa linh hoạt. Để biết định hướng sản phẩm của EVST về robot hình người, bàn tay khéo léo, robot bốn chân và thu thập dữ liệu trí tuệ nhân tạo thể hiện, hãy xem... Giải pháp Trí tuệ Nhân tạo Thể hiện của EVST.

Cập nhật lần cuối: ngày 12 tháng 2026 năm XNUMX

-

Sự tiến hóa của lập trình robot: Từ bộ điều khiển cầm tay đến các mô hình cơ bản

Lập trình robot nhà máy đã trải qua bốn thế hệ rõ rệt, mỗi thế hệ đều đánh đổi một hạn chế khác nhau để lấy một khả năng khác nhau.

Thế hệ đầu tiên hoạt động dựa trên bộ điều khiển cầm tay. Kỹ sư điều khiển robot di chuyển từng trục một đến mỗi điểm định vị, ghi lại vị trí và ghép chúng lại thành một chương trình chuyển động được lưu trữ trên bộ điều khiển. Việc thay đổi đường đi sau khi chuyển đổi dây chuyền sản xuất đồng nghĩa với việc phải lập trình lại từng điểm định vị một cách thủ công. Đối với sản xuất số lượng lớn, sản phẩm có hình dạng cố định (ví dụ như hàn thân xe ô tô), phương pháp này hoạt động tốt. Tuy nhiên, đối với bất kỳ sản phẩm nào cần thay đổi thường xuyên, phương pháp này lại tốn kém.

Các công cụ lập trình ngoại tuyến (OLP) như RoboDK, KUKA.Sim và ABB RobotStudio xuất hiện vào những năm 1990, cho phép các kỹ sư định nghĩa đường đi của robot trong môi trường CAD 3D và xử lý hậu kỳ mã cho các thương hiệu bộ điều khiển khác nhau. Thời gian thiết lập giảm từ nhiều ngày xuống còn vài giờ, và việc tối ưu hóa đường đi trở nên khả thi trước chu kỳ vật lý đầu tiên. Khoảng cách giữa mô hình mô phỏng và cài đặt vật lý (sai số hiệu chuẩn, độ võng cáp, dung sai đồ gá) vẫn là một vấn đề nan giải, nhưng OLP vẫn là phương pháp tiêu chuẩn cho hầu hết các dây chuyền sản xuất hiện nay.

Các thư viện kỹ năng xuất hiện như làn sóng thứ ba. Các nhà cung cấp và nhà tích hợp đã đóng gói các chuyển động cơ bản có thể tái sử dụng, chẳng hạn như kỹ năng nhặt đồ từ thùng, kỹ năng chèn chốt vào lỗ, kỹ năng hàn đường nối, có thể được cấu hình bằng các tham số thay vì phải lập trình lại từ đầu. Ví dụ, việc nhặt đồ từ thùng được hướng dẫn bằng thị giác đã chuyển từ một dự án tùy chỉnh kéo dài hàng tháng thành một mô-đun có thể cấu hình. Tuy nhiên, mỗi kỹ năng vẫn phải được lập trình rõ ràng và các kỹ năng không thể khái quát hóa: một kỹ năng nhặt đồ từ thùng được huấn luyện trên một hình dạng chi tiết nhất định sẽ thất bại trên một hình dạng chi tiết khác biệt đáng kể.

Các mô hình VLA đại diện cho làn sóng thứ tư. Thay vì mã hóa hành vi dưới dạng các điểm tham chiếu rõ ràng hoặc các thành phần cơ bản được tham số hóa, các mô hình VLA học từ các tập dữ liệu lớn về các màn trình diễn của robot và dữ liệu hình ảnh tổng quát để ánh xạ trực tiếp các cặp (hình ảnh, hướng dẫn ngôn ngữ) thành đầu ra (hành động của robot). Mô hình này khái quát hóa trên nhiều đối tượng, điều kiện ánh sáng và cách diễn đạt hướng dẫn theo những cách mà các thư viện kỹ năng không thể làm được, bởi vì khả năng khái quát hóa được tích hợp sẵn vào các trọng số chứ không phải được mã hóa thủ công.

Khoảng cách về tính xác định rất quan trọng trong môi trường công nghiệp. Một chương trình điều khiển bằng thiết bị đọc mã (teach-pendant) thực hiện chính xác cùng một đường dẫn trong mỗi chu kỳ; trong khi đó, mô hình VLA lấy mẫu phân bố hành động ở mỗi bước suy luận. Đối với các tác vụ mà sự biến đổi giữa các chu kỳ là chấp nhận được (chọn các vật phẩm được sắp xếp ngẫu nhiên), điều này có thể quản lý được. Nhưng đối với các tác vụ yêu cầu độ lặp lại dưới milimet trong hàng nghìn chu kỳ, các phương pháp cổ điển vẫn giữ được lợi thế về cấu trúc mà các nhà phát triển VLA đang tích cực nỗ lực thu hẹp.

-

Mô hình VLA là gì: Kiến trúc một cách đơn giản

Mô hình thị giác-ngôn ngữ-hành động là một mạng nơ-ron nhận các quan sát trực quan và hướng dẫn bằng ngôn ngữ tự nhiên làm đầu vào và tạo ra các hành động của robot làm đầu ra, một mô hình hoàn chỉnh từ đầu đến cuối thay vì một chuỗi các mô-đun thị giác, lập kế hoạch và điều khiển riêng biệt.

Ba thành phần kiến ​​trúc đó là:

Bộ mã hóa hình ảnh. Một bộ chuyển đổi thị giác (ViT) được huấn luyện trước hoặc một mạng xương sống tích chập xử lý hình ảnh từ camera và mã hóa chúng thành các biểu diễn đặc trưng dày đặc. Trong hầu hết các thiết kế VLA hiện nay, bộ mã hóa này được khởi tạo từ một mô hình ngôn ngữ thị giác (VLM) lớn và sau đó được tinh chỉnh trên dữ liệu robot. Việc sử dụng mạng xương sống được huấn luyện trước rất quan trọng vì nó cung cấp cho mô hình các thông tin tiên nghiệm thị giác tổng quát, hiểu được hộp là gì, tay cầm trông như thế nào, trước khi nó nhìn thấy bất kỳ màn trình diễn nào của robot.

Bộ mã hóa ngôn ngữ. Bộ chuyển đổi văn bản mã hóa hướng dẫn (“chọn khối màu đỏ và đặt nó vào thùng bên trái”) thành một chuỗi mã thông báo, sau đó được chú ý chéo với các đặc điểm hình ảnh. Chú ý chéo ở đây có nghĩa là mô hình có thể xem xét những phần nào của hình ảnh là phù hợp nhất dựa trên yêu cầu của hướng dẫn. Nó không xử lý hình ảnh và ngôn ngữ một cách riêng biệt.

Đầu hành động. Sự kết hợp các biểu diễn này được giải mã thành các hành động của robot. Các hành động có thể được biểu diễn dưới dạng delta của đầu cuối (di chuyển kẹp 2 cm sang phải, đóng kẹp), góc khớp hoặc các khối hành động được mã hóa. Việc mã hóa hành động, coi một nhóm hành động riêng biệt như một mã ngôn ngữ, là điều cho phép các nghiên cứu VLA ban đầu tinh chỉnh các kiến ​​trúc LLM hiện có cho robot mà không cần xây dựng bộ giải mã hành động mới từ đầu. Các thiết kế gần đây hơn sử dụng các đầu hành động dựa trên khuếch tán tạo ra các quỹ đạo mượt mà hơn, liên tục hơn và xử lý các phân bố hành động đa phương thức tốt hơn so với phân loại mã thuần túy.

Quá trình huấn luyện về cơ bản dựa trên việc sao chép hành vi: mô hình được huấn luyện để bắt chước các thao tác của chuyên gia thông qua học có giám sát trên các cặp (quan sát, hành động). Một số hệ thống kết hợp thêm học tăng cường từ phản hồi của con người (RLHF) hoặc học tăng cường trực tuyến trong mô phỏng để cải thiện độ bền vững vượt xa những gì chỉ bắt chước đơn thuần có thể đạt được. Khoảng cách giữa mô phỏng và thực tế, sự suy giảm hiệu suất khi một chính sách được huấn luyện trong mô phỏng được chuyển sang robot vật lý, vẫn là một trong những vấn đề nghiên cứu được quan tâm nhất. Ngẫu nhiên hóa miền (thay đổi ngẫu nhiên các kết cấu, ánh sáng, tư thế đối tượng và các tham số vật lý trong quá trình huấn luyện mô phỏng) là kỹ thuật giảm thiểu được áp dụng rộng rãi nhất.

-

Các mốc nghiên cứu quan trọng

Lĩnh vực VLA đã phát triển nhanh chóng. Bảng sau đây liệt kê các nền tảng được nhắc đến nhiều nhất trong các cuộc thảo luận về robot công nghiệp tính đến đầu năm 2026.

Một vài cột mốc quan trọng cần được các kỹ sư chú trọng hơn khi đánh giá khả năng ứng dụng trong công nghiệp.

RT-2, được mô tả trong bài báo năm 2023 “RT-2: Mô hình Thị giác-Ngôn ngữ-Hành động Chuyển giao Kiến thức Web sang Điều khiển Robot” (Brohan và cộng sự, Google DeepMind), đã chứng minh rằng một mô hình được khởi tạo từ nền tảng thị giác-ngôn ngữ được huấn luyện trước (PaLI-X, PaLM-E) có thể thể hiện khả năng suy luận đột phá, thực hiện các nhiệm vụ mà nó chưa từng được huấn luyện rõ ràng bằng cách kết hợp các khái niệm từ quá trình huấn luyện quy mô web. Bài báo cho thấy quy mô mô hình tương quan với khả năng khái quát hóa, điều này đã thúc đẩy sự quan tâm của ngành công nghiệp trong việc sử dụng các mô hình nền tảng lớn làm xương sống chính sách cho robot.

OpenVLA (Kim et al., 2024) cung cấp một giải pháp thay thế hoàn toàn mở với 7 tỷ tham số dựa trên Prismatic VLM, cho thấy hiệu suất cạnh tranh với RT-2 với chi phí tính toán thấp hơn nhiều và cho phép các nhà nghiên cứu học thuật và công nghiệp tinh chỉnh trên dữ liệu nhiệm vụ tùy chỉnh. Theo bài báo về OpenVLA (arxiv:2406.09246), OpenVLA đã vượt trội hơn RT-2-7B trên 73% các nhiệm vụ đánh giá BridgeV2 sau khi tinh chỉnh.

NVIDIA GR00T N1, được công bố tại GTC 2025, là một mô hình nền tảng hình người được huấn luyện trên sự kết hợp giữa dữ liệu điều khiển từ xa, dữ liệu video và dữ liệu tổng hợp từ NVIDIA Cosmos và Isaac Lab. NVIDIA đã công khai các trọng số của GR00T N1, biến nó trở thành một trong những mô hình nền tảng đầu tiên dành cho robot hình người có thể được tinh chỉnh từ bên ngoài. Hệ thống Isaac GR00T Sim2Real đi kèm kết nối quá trình huấn luyện mô phỏng với việc triển khai vật lý thông qua việc ngẫu nhiên hóa miền trong Isaac Lab.

Hệ thống π0 của Physical Intelligence sử dụng bộ xử lý hành động khớp luồng thay vì phân loại token rời rạc, tạo ra các quỹ đạo mượt mà hơn và xử lý các tác vụ nhiều giai đoạn như gấp quần áo hoặc lắp ráp các vật thể với nhiều bước tuần tự. Kiến trúc này kết hợp xương sống VLM được huấn luyện trước với bộ giải mã hành động kiểu khuếch tán được điều kiện hóa dựa trên các token ngôn ngữ và hình ảnh.

Hệ thống Helix của Figure AI, được triển khai trên robot hình người Figure 02, sử dụng phương pháp hai mô hình: một mô hình VLM cấp cao xử lý việc hiểu bối cảnh và phân tích cú pháp hướng dẫn, trong khi một mô hình cảm giác vận động cấp thấp thực hiện các lệnh vận động ở tần số điều khiển. Hệ thống đã chứng minh khả năng thao tác hai tay trong thời gian thực, phân loại các vật phẩm thành các nhóm dựa trên hướng dẫn bằng giọng nói, tại nhà máy Spartanburg của BMW vào năm 2025.

Quá trình chuyển đổi từ FSD sang Optimus của Tesla đáng chú ý như một chiến lược tạo lợi thế dữ liệu quy mô ngành. Đội xe hiện tại của Tesla tạo ra hàng tỷ dặm dữ liệu hình ảnh thực tế cho FSD. Giả thuyết nội bộ là các mô hình mạng nhận diện không gian và kiến ​​trúc dự đoán video được phát triển cho lái xe tự động có thể được chuyển giao cho quá trình học máy của robot Optimus, mặc dù các chi tiết kỹ thuật công bố vẫn còn hạn chế.

-

Sự sẵn sàng cho trường hợp sử dụng trong công nghiệp

Không phải tất cả các nhiệm vụ trong nhà máy đều phù hợp với phương pháp VLA. Các biến số chính là: yêu cầu về dung sai, sự đa dạng của chi tiết, chi phí do lỗi và liệu có thể thu thập đủ dữ liệu minh họa cho nhiệm vụ mục tiêu hay không.

Chọn hàng từ thùng và xử lý hàng hóa hỗn hợp nhiều mã sản phẩm. Đây là những giải pháp phù hợp nhất trong ngắn hạn. Tư thế của vật thể là ngẫu nhiên, các loại linh kiện khác nhau và chi phí cho việc bỏ sót thao tác lấy hàng hoặc làm rơi đồ nhỏ là thấp. RFM-1 của Covariant đã được triển khai trong các trung tâm xử lý đơn hàng thương mại điện tử chính xác cho nhiệm vụ này. Theo quan sát trong ngành, việc lấy hàng từ thùng chứa nhiều SKU khác nhau bằng hệ thống thị giác 3D truyền thống thường được cấu hình cho từng loại SKU, với việc chuyển đổi đòi hỏi hàng giờ hiệu chỉnh lại. Một mô hình đa năng có thể xử lý các mặt hàng mới mà không cần cấu hình cho từng mặt hàng, điều này mang lại giá trị kinh tế thực sự với tần suất chuyển đổi phổ biến trong việc xử lý đơn hàng bán lẻ.

Lắp ráp linh hoạt Đây là một lĩnh vực gây nhiều tranh cãi hơn. Các nhiệm vụ lắp ráp thường yêu cầu độ chính xác chèn dưới milimet và lực tác dụng nhất quán. Đó là những lĩnh vực mà tính chất ngẫu nhiên của việc lấy mẫu hành động VLA hiện tại tạo ra sự biến thiên có thể vượt quá dung sai quy trình. Các dự án thử nghiệm ban đầu đang nhắm đến các bước lắp ráp có dung sai lỏng hơn (định tuyến cáp, kẹp khớp nhanh) trong khi vẫn duy trì chuyển động xác định cho các thao tác chèn có dung sai chặt chẽ.

Kiểm tra chất lượng Vấn đề này phần nào đã được giải quyết với các hệ thống thị giác 2D/3D hiện có, nhưng đang được xem xét lại với các kiến ​​trúc kiểu VLA vì các mô hình được điều kiện hóa bằng ngôn ngữ có thể được định hướng lại để kiểm tra các loại khuyết tật khác nhau thông qua việc thay đổi hướng dẫn thay vì phải huấn luyện lại một bộ phân loại chuyên dụng.

giảm thiểu chuyển đổi Đây là giá trị cốt lõi được nêu bật. Một dây chuyền sản xuất với 50 SKU mỗi ca, mỗi SKU yêu cầu các điểm lấy hàng và mục tiêu đặt hàng khác nhau, hiện đang đòi hỏi hoặc robot chuyên dụng cho mỗi SKU hoặc lập trình lại tốn nhiều thời gian. Về mặt lý thuyết, một dây chuyền có khả năng VLA có thể được điều hướng bằng cách thay đổi hướng dẫn ngôn ngữ. Trên thực tế, các mô hình hiện tại yêu cầu tinh chỉnh trên các bản trình diễn cụ thể cho từng nhiệm vụ ngay cả khi sử dụng một hệ thống xương sống được huấn luyện trước mạnh mẽ. Khả năng khái quát hóa không cần huấn luyện đối với các nhiệm vụ đòi hỏi độ chính xác cao trong công nghiệp vẫn còn hiếm.

Trên thực tế, khi đánh giá các dự án thí điểm VLA, các kỹ sư đạt được kết quả nhanh nhất là những người nhắm đến các nhiệm vụ có: (a) nhiều loại chi tiết khác nhau, (b) dung sai lỏng lẻo (>0.5 mm), (c) cơ sở hạ tầng thu thập dữ liệu hiện có (thiết bị điều khiển từ xa hoặc ghi hình minh họa), và (d) sẵn sàng coi thành phần VLA như một lớp lựa chọn nhiệm vụ và chuyển động thô với bộ điều khiển cổ điển xử lý các hiệu chỉnh tinh.

-

VLA năm 2026: Tình hình thực tế của các tập phim thử nghiệm đang ra sao

Đến giữa năm 2026, khoảng cách giữa một cuộc trình diễn VLA đầy thuyết phục và việc triển khai sản xuất vẫn là đặc điểm nổi bật của lĩnh vực này. Mô hình xuyên suốt các dự án thí điểm công nghiệp là nhất quán: các tác vụ được điều khiển bằng thị giác với không gian hành động hạn chế, chẳng hạn như nhặt hàng từ thùng, đóng gói và kiểm tra, đang dần được đưa vào sử dụng thường quy, trong khi thao tác không giới hạn trong một ô không có cấu trúc vẫn là hoạt động nghiên cứu và thí điểm hơn là khả năng sẵn sàng cho dây chuyền sản xuất.

Theo quan sát trong ngành, ba hạn chế thực tế đặt ra ranh giới đó. Thứ nhất, dữ liệu: một chính sách VLA vẫn cần hàng trăm lần trình diễn cụ thể cho từng nhiệm vụ từ các bộ phận và công cụ thực tế mà nó sẽ phải đối mặt, và dữ liệu đó không tồn tại cho đến khi ai đó thu thập nó trong cơ sở. Thứ hai, xác thực: một chính sách đã học được mà thành công 95% thời gian là ấn tượng trong phòng thí nghiệm nhưng không thể chấp nhận được trên một dây chuyền hoạt động hàng nghìn chu kỳ mỗi ca, vì vậy tiêu chuẩn an toàn và chấp nhận cao hơn nhiều so với các chỉ số trình diễn. Thứ ba, tích hợp: một mô hình chỉ hữu ích khi nó được tích hợp vào logic an toàn, thiết bị cố định và phục hồi lỗi mà tự động hóa truyền thống đã cung cấp.

Đối với nhà sản xuất, điều này có nghĩa là cần coi VLA như một phần mở rộng của nền tảng tự động hóa hiện có, chứ không phải là sự thay thế cho nó. Bước đầu tiên mang lại lợi nhuận cao nhất vào năm 2026 là một tác vụ được hướng dẫn bằng hình ảnh sẵn sàng cho sản xuất, đồng thời thu thập dữ liệu tác vụ hữu ích, để việc chuyển đổi cuối cùng sang tính linh hoạt rộng hơn do VLA điều khiển sẽ dựa trên các quy trình của riêng bạn. Để xem phiên bản vận hành của trình tự này, hãy xem Trí tuệ nhân tạo thể hiện qua hình thể so với robot công nghiệp truyền thống và, về việc nên thử nghiệm thí điểm ở đâu trước tiên, Trí tuệ nhân tạo thể hiện trong các nhà sản xuất công nghiệp: các trường hợp sử dụng, lợi tức đầu tư và nơi để thử nghiệm.

Yêu cầu về dữ liệu: Tại sao dữ liệu lại là nút thắt cổ chai

Ba nguồn dữ liệu chính用于 huấn luyện VLA là các cuộc trình diễn điều khiển từ xa, dữ liệu tổng hợp từ mô phỏng và video trên internet.

Các cuộc trình diễn điều khiển từ xa, trong đó con người điều khiển robot thông qua giao diện xúc giác hoặc khung xương ngoài trong khi hệ thống ghi lại trạng thái khớp và luồng video từ camera, là nguồn dữ liệu chất lượng cao nhất vì chúng ghi lại động lực học thực tế của robot, tương tác thực tế với vật thể và nhiễu cảm biến thực tế. Chúng cũng rất tốn kém: theo quan sát trong ngành, việc thu thập một bộ dữ liệu trình diễn có thể sử dụng được cho một nhiệm vụ thao tác mới tốn khoảng 10-100 giờ làm việc của người vận hành cho mỗi biến thể nhiệm vụ, với chi phí mỗi giờ bao gồm tiền lương của người vận hành, thời gian hoạt động của robot và xử lý dữ liệu. Cả Physical Intelligence và Figure AI đều đã xây dựng các nhóm điều khiển từ xa nội bộ lớn chính vì lý do này.

Dữ liệu tổng hợp được tạo ra trong các trình mô phỏng vật lý (NVIDIA Isaac Lab, MuJoCo, SAPIEN) cho phép thu thập dữ liệu song song trên quy mô lớn, hàng trăm robot mô phỏng thu thập dữ liệu đồng thời, nhưng lại gặp phải vấn đề về khoảng cách giữa mô phỏng và thực tế. Hình ảnh trực quan của các cảnh được dựng khác với hình ảnh thực tế từ camera, và vật lý tiếp xúc được mô phỏng hiếm khi khớp với ma sát, biến dạng và trượt trong thế giới thực. Việc ngẫu nhiên hóa miền phần nào thu hẹp khoảng cách này bằng cách huấn luyện trên các biến thể ngẫu nhiên về kết cấu, ánh sáng, khối lượng và hệ số ma sát, nhưng nó không loại bỏ hoàn toàn vấn đề. NVIDIA Cosmos, một mô hình nền tảng toàn cầu được phát hành cùng với GR00T, được thiết kế để tạo ra các video huấn luyện tổng hợp khả thi về mặt vật lý, có độ chân thực cao hơn so với phương pháp dựng hình truyền thống, và đang được đánh giá như một công cụ tăng cường dữ liệu.

Video trên internet, hàng tỷ giờ ghi hình thao tác của con người trên YouTube và các nền tảng tương tự, là nguồn dữ liệu ban đầu thúc đẩy việc sử dụng kiến ​​trúc VLM cho robot. Một mô hình được huấn luyện trước trên video web đã nhận thấy bàn tay nhặt đồ vật, lắp ráp đồ nội thất, nấu ăn và sử dụng dụng cụ, ngay cả khi các video đó không chứa nhãn hành động của robot. Giả thuyết đặt ra là kiến ​​thức thao tác tổng quát này có thể chuyển giao cho việc điều khiển robot thông qua việc tinh chỉnh. RT-2 là minh chứng rõ ràng nhất cho giả thuyết này ở quy mô lớn.

Theo Báo cáo Robot Thế giới năm 2025 của Liên đoàn Robot Quốc tế (IFR), số lượng robot công nghiệp được lắp đặt trên toàn cầu đã lập kỷ lục mới vào năm 2024, với hơn 590,000 thiết bị được lắp đặt. EVST đáp ứng nhu cầu triển khai công nghiệp quy mô lớn với danh mục sản phẩm có tải trọng đa dạng, từ robot cộng tác XR-series 3 kg đến cánh tay robot công nghiệp hạng nặng QJAR 800 kg, cung cấp cho các nhà tích hợp một nền tảng phần cứng có khả năng vận hành cả bộ điều khiển xác định cổ điển và, khi chúng phát triển hoàn thiện hơn, các mục tiêu chuyển động được tạo ra bởi VLA trong nhiều môi trường sản xuất khác nhau.

-

Ảnh hưởng của phần cứng

Việc chạy suy luận VLA trong môi trường sản xuất đòi hỏi phần cứng khác biệt đáng kể so với các bộ điều khiển robot truyền thống.

Bộ điều khiển robot công nghiệp điển hình thực hiện vòng lặp điều khiển không gian khớp 1 kHz trên hệ điều hành thời gian thực xác định. Ngân sách tính toán hạn chế và thời gian là thời gian thực nghiêm ngặt. Ngược lại, suy luận VLA chạy trên GPU: một mô hình quy mô RT-2 (55 tỷ tham số) yêu cầu nhiều GPU cao cấp và tạo ra các hành động ở tần số suy luận 1–3 Hz. Một mô hình 7 tỷ tham số như OpenVLA có thể chạy trên một GPU cấp người tiêu dùng duy nhất ở tần số 6–10 Hz. Đối với nhiều tác vụ thao tác, đầu ra hành động 10 Hz là đủ; nhưng đối với lắp ráp tốc độ cao hoặc bắt giữ động, nó không đủ.

Kiến trúc mà hầu hết các nhóm đang hướng tới là cấu trúc phân cấp hai cấp: mô hình VLA chạy trên một nút tính toán GPU (trên xe tự hành AGV, đế robot hoặc máy chủ biên gần đó) và xuất ra các mục tiêu hành động cấp cao ở tần số 5–15 Hz. Bộ đồng xử lý thời gian thực thông thường, bộ điều khiển khớp hiện có của robot, nội suy các mục tiêu đó ở tần số 1 kHz và thực thi các giới hạn mô-men xoắn, tránh va chạm và các ràng buộc không gian khớp. Sự tách biệt này duy trì tính xác định và an toàn ở lớp điều khiển trong khi cho phép lớp VLA xử lý nhận thức và suy luận ở cấp độ nhiệm vụ.

Các yêu cầu về cảm biến cũng thay đổi. Các mô hình VLA chủ yếu sử dụng luồng dữ liệu camera RGB, và hầu hết các nghiên cứu hiện nay sử dụng một hoặc hai camera ở cổ tay và đế. Cảm biến độ sâu cải thiện độ chính xác khi thao tác, đặc biệt là trong các cảnh phức tạp, nhưng dữ liệu độ sâu phải được chiếu vào không gian hình ảnh mà mô hình hiểu được. Đối với triển khai công nghiệp, camera phải đáp ứng các tiêu chuẩn bảo vệ chống xâm nhập cho môi trường hoạt động: tối thiểu IP65 cho sản xuất chung, IP68 cho khu vực rửa sạch hoặc môi trường dễ cháy nổ.

-

Phía Trình mô phỏng

Mô phỏng là nơi diễn ra hầu hết quá trình phát triển VLA trước khi phần cứng vật lý được sử dụng. Bốn trình mô phỏng đang chiếm ưu thế trong lĩnh vực nghiên cứu hiện nay.

NVIDIA Isaac Lab (được xây dựng trên Isaac Sim, bản thân nó dựa trên USD và PhysX) được tối ưu hóa cho việc huấn luyện song song quy mô lớn trên GPU của NVIDIA. Hàng ngàn môi trường mô phỏng có thể chạy đồng thời trên một nút DGX duy nhất, giúp việc thu thập hàng triệu quỹ đạo minh họa trở nên khả thi chỉ trong vài ngày thay vì vài tháng. Isaac Lab là môi trường huấn luyện chính cho GR00T.

MuJoCo (hiện là mã nguồn mở, được DeepMind duy trì) được sử dụng rộng rãi nhất trong giới học thuật. Thuật toán giải tiếp xúc của nó đã được kiểm chứng kỹ lưỡng cho các nhiệm vụ thao tác robot, và các bộ dữ liệu chuẩn như RoboSuite và Adroit đều sử dụng nó. Hầu hết các bài báo về VLA được công bố đều báo cáo kết quả trên các bộ dữ liệu chuẩn dựa trên MuJoCo, biến nó trở thành tiêu chuẩn so sánh thực tế.

NVIDIA Cosmos là một mô hình nền tảng thế giới mới hơn, tạo ra video có tính khả thi về mặt vật lý từ các gợi ý bằng văn bản hoặc hình ảnh. Thay vì là một trình mô phỏng truyền thống, nó đang được nghiên cứu như một công cụ tạo dữ liệu tổng hợp, tạo ra các video huấn luyện thể hiện các kịch bản thao tác robot mà việc thu thập dữ liệu vật lý hoặc dựng hình bằng đồ họa truyền thống sẽ rất tốn kém.

SAPIEN, được phát triển tại Đại học California, San Diego, đặc biệt mạnh mẽ trong việc thao tác các vật thể có khớp nối: mở ngăn kéo, xoay van, vận hành thiết bị. Tập dữ liệu các vật thể có khớp nối (PartNet-Mobility) của nó đã được sử dụng rộng rãi để huấn luyện và đánh giá các chính sách thao tác trên các nhiệm vụ liên quan đến khả năng tương tác của vật thể.

-

Khi nào nên thử nghiệm VLA so với việc tiếp tục với chương trình truyền thống?

Đây là câu hỏi thực tế mà hầu hết các kỹ sư sản xuất phải đối mặt vào năm 2026. Câu trả lời thẳng thắn là các phương pháp VLA chưa phải là lựa chọn phù hợp cho hầu hết các môi trường sản xuất, nhưng có những trường hợp cụ thể mà việc thử nghiệm là cần thiết.

Hãy cân nhắc sử dụng chương trình thí điểm VLA khi:

• Số lượng linh kiện rất đa dạng (>20 mã sản phẩm khác nhau) và tần suất thay đổi linh kiện vượt quá một tuần.
• Yêu cầu về dung sai khá lỏng lẻo (độ chính xác vị trí >0.5 mm được chấp nhận)
• Nhiệm vụ này liên quan đến dữ liệu đầu vào không có cấu trúc hoặc được sắp xếp ngẫu nhiên (ví dụ: nội dung thùng chứa ngẫu nhiên).
• Thao tác này bao gồm các hướng dẫn ở cấp độ ngôn ngữ có thể thay đổi (chọn theo màu sắc, danh mục hoặc nhãn).
• Có sự sẵn lòng thực hiện giai đoạn thu thập dữ liệu (thiết bị điều khiển từ xa, 50-200 giờ trình diễn).
• Chi phí cho những sự cố không thường xuyên là thấp và hệ thống có thể chịu được sự can thiệp của con người trong quá trình vận hành.

Hãy tiếp tục sử dụng lập trình cổ điển khi:

• Ứng dụng này thuộc loại hình học cố định, sản xuất số lượng lớn, vận hành dài hạn (hàn thân xe ô tô, vận hành máy dập).
• Yêu cầu về dung sai rất khắt khe (<0.1 mm) và phải được đảm bảo trong mỗi chu kỳ.
• Môi trường điều khiển được đánh giá an toàn theo tiêu chuẩn IEC 62061 hoặc ISO 13849 và việc bổ sung lớp suy luận GPU là không khả thi.
• Nhật ký kiểm toán và nhật ký thực thi xác định là bắt buộc đối với các chứng nhận chất lượng (IATF16949, các quy trình tương tự IATF16949).
• Hiện không có cơ sở hạ tầng thu thập dữ liệu và cũng không có ngân sách để xây dựng nó.

Một chiến lược kết hợp thực tiễn, được một số người tiên phong theo đuổi, là sử dụng VLA để lựa chọn nhiệm vụ và tạo chuyển động thô, đồng thời sử dụng bộ điều khiển cổ điển để thực hiện chuyển động tinh và điều khiển lực. VLA quyết định phải làm gì và vị trí di chuyển gần đúng; lớp cổ điển xử lý các thao tác chính xác và an toàn.

EVST, với tư cách là nhà cung cấp giải pháp tích hợp trọn gói, cung cấp cánh tay robot công nghiệp với tải trọng từ 3 đến 800 kg, đang tích cực đánh giá các quy trình VLA cho các phân khúc ứng dụng cụ thể, chủ yếu là chọn hàng trong thùng chứa đa dạng sản phẩm và lắp ráp linh hoạt, nơi mà yếu tố linh hoạt được ưu tiên hàng đầu. Phương pháp của EVST coi suy luận VLA như một lớp nhận thức và lập kế hoạch nằm trên bộ điều khiển khớp xác định, bảo toàn khả năng điều khiển chuyển động cấp công nghiệp mà các hệ thống được chứng nhận CE/SGS/TÜV yêu cầu. Đối với môi trường nhiệt độ khắc nghiệt (-30°C đến 80°C) và các buồng chống cháy nổ được chứng nhận ATEX/IECEx, các bộ điều khiển cổ điển vẫn là phương pháp duy nhất được xác thực ở giai đoạn này.

-

Những thách thức về an toàn và xác thực

Robot công nghiệp hoạt động theo tiêu chuẩn ISO 10218-1 (thiết kế robot) và ISO 10218-2 (tích hợp hệ thống) phải thể hiện hành vi an toàn có thể xác định và kiểm toán được. Các ứng dụng robot cộng tác còn yêu cầu đánh giá rủi ro theo tiêu chuẩn ISO/TS 15066, quy định giới hạn sinh học về lực và áp suất tiếp xúc theo từng vùng cơ thể.

Các mô hình VLA đưa ra những thách thức về xác thực mà các tiêu chuẩn này không được thiết kế để giải quyết. Chính sách mạng nơ-ron không có một tập hợp các hành vi hữu hạn, có thể liệt kê được mà kỹ sư an toàn có thể phân tích thông qua FMEA truyền thống. Phản ứng của mô hình đối với đầu vào nằm ngoài phạm vi phân phối, một vật thể mới, một điều kiện chiếu sáng bất ngờ, một phần bị che khuất, có thể suy giảm một cách nhẹ nhàng hoặc thất bại đột ngột, và việc dự đoán điều nào sẽ xảy ra không hề đơn giản.

Tiêu chuẩn ISO 22166 (tiêu chuẩn mới nổi về các tiêu chí hiệu suất cho hệ thống robot dựa trên trí tuệ nhân tạo) đang được phát triển và dự kiến ​​sẽ giải quyết một số thiếu sót này, nhưng vẫn chưa được hoàn thiện. Trong thời gian chờ đợi, cách tiếp cận có trách nhiệm phản ánh lý luận SOTIF (An toàn của Chức năng Dự định, ISO 21448) từ lĩnh vực ô tô: xác định các điều kiện mà chức năng dự định của hệ thống bị lỗi, xác định miền thiết kế hoạt động (ODD) mà trong đó hệ thống được phép hoạt động và hạn chế hoạt động bên ngoài ODD đó cho đến khi có thêm bằng chứng xác thực.

Theo quan sát thực tế trong ngành về các triển khai VLA ban đầu, kiến ​​trúc an toàn phổ biến nhất là kết hợp đầu ra suy luận của VLA với một bộ giám sát an toàn truyền thống, có chức năng thực thi các giới hạn không gian làm việc, giới hạn vận tốc và ngưỡng lực bất kể chính sách VLA yêu cầu điều gì. VLA tạo ra các mục tiêu chuyển động; lớp an toàn quyết định xem các mục tiêu đó có được cho phép hay không. Kiến trúc này cho phép sử dụng bộ điều khiển an toàn tuân thủ tiêu chuẩn ISO 10218 ngay cả khi chính sách phía trên là một mạng nơ-ron.

Đối với môi trường sản xuất được chứng nhận IATF16949, nơi việc truy xuất nguồn gốc quy trình và các kế hoạch kiểm soát được xác định rõ ràng là bắt buộc, tự động hóa dựa trên VLA phải đối mặt với gánh nặng tài liệu bổ sung. Các kỹ sư phải xác định ODD, ghi nhật ký đầu vào và đầu ra suy luận, và thiết lập các quy trình để phát hiện và khắc phục các điều kiện ngoài phạm vi phân phối. Điều này không phải là không thể, nhưng nó làm tăng chi phí xác thực mà các hệ thống lập trình ngoại tuyến truyền thống không phải chịu.

Theo Báo cáo Robot Thế giới IFR 2025, việc tuân thủ các tiêu chuẩn an toàn vẫn là một trong ba rào cản hàng đầu đối với việc đẩy nhanh ứng dụng robot tại các thị trường sản xuất đang phát triển. EVST giải quyết vấn đề này bằng cách tích hợp các chứng nhận của bên thứ ba như CE, SGS và TÜV vào dòng sản phẩm robot của mình ngay từ giai đoạn thiết kế, nhờ đó các nhà tích hợp sử dụng phần cứng EVST làm lớp vật lý bên dưới ngăn xếp suy luận VLA có thể bắt đầu từ một nền tảng cơ khí và điện được chứng nhận thay vì phải chứng nhận một hệ thống tùy chỉnh từ đầu.

-

Câu Hỏi Thường Gặp

Điểm khác biệt giữa mô hình VLA và hệ thống thị giác robot truyền thống là gì?

Hệ thống thị giác robot truyền thống (camera 2D + phát hiện vật thể hoặc đám mây điểm 3D + ước lượng tư thế) xuất ra dữ liệu hình học (vị trí của vật thể, hướng của nó), sau đó được đưa vào làm đầu vào cho một bộ lập kế hoạch chuyển động riêng biệt. Mô hình VLA nhận hình ảnh từ camera và hướng dẫn bằng ngôn ngữ làm đầu vào và xuất ra các hành động của robot trực tiếp, mà không cần mô-đun lập kế hoạch riêng. Phương pháp VLA linh hoạt hơn đối với các vật thể mới và thay đổi hướng dẫn; phương pháp truyền thống mang tính xác định hơn và dễ dàng hơn trong việc kiểm định theo các tiêu chuẩn an toàn.

Liệu trí tuệ nhân tạo thể hiện trong sản xuất công nghiệp đã sẵn sàng cho sản xuất hàng loạt vào năm 2026?

Hiện tại, hầu hết các ứng dụng đều đang ở giai đoạn đầu. Một số nền tảng (Covariant RFM-1 trong khâu hoàn thiện đơn hàng thương mại điện tử, Figure AI Helix trong các dự án thí điểm lắp ráp ô tô) đã vượt qua giai đoạn nghiên cứu thuần túy, nhưng việc triển khai sản xuất rộng rãi với độ tin cậy mà khách hàng công nghiệp mong đợi (thời gian hoạt động trên 99%, độ lặp lại dưới milimet, an toàn được chứng nhận) vẫn còn cách từ một đến ba năm đối với hầu hết các loại tác vụ. Việc chọn hàng từ thùng chứa đa dạng sản phẩm là ứng dụng gần nhất với giai đoạn sẵn sàng sản xuất.

Mô hình VLA cần bao nhiêu lần trình diễn để học được một nhiệm vụ công nghiệp mới?

Câu trả lời thay đổi đáng kể tùy thuộc vào mô hình và nhiệm vụ. Với một hệ thống được huấn luyện trước mạnh mẽ như OpenVLA hoặc GR00T, việc tinh chỉnh chỉ với 50-100 lần mô phỏng có thể tạo ra hiệu suất khả dụng đối với các tác vụ thao tác đơn giản trên mặt bàn. Các tác vụ công nghiệp phức tạp, đòi hỏi sự khéo léo hoặc độ chính xác cao có thể cần đến 500-2,000 lần mô phỏng để đạt được tỷ lệ thành công chấp nhận được. Theo quan sát của ngành từ các chương trình thí điểm ban đầu, số giờ dữ liệu điều khiển từ xa tối thiểu cần thiết để triển khai một tác vụ cụ thể khả thi về mặt thương mại thường là 100-300 giờ.

Khoảng cách giữa mô phỏng và thực tế là gì và các nhà phát triển VLA giải quyết vấn đề này như thế nào?

Khoảng cách giữa mô phỏng và thực tế là sự suy giảm hiệu suất của thuật toán khi một mô hình được huấn luyện trong môi trường mô phỏng được triển khai trên robot vật lý. Khoảng cách này có hai nguyên nhân chính: sự dịch chuyển miền hình ảnh (hình ảnh được tạo ra trông khác với hình ảnh thực tế từ camera) và sự dịch chuyển miền vật lý (lực tiếp xúc, ma sát và biến dạng vật thể được mô phỏng khác với hành vi trong thế giới thực). Việc ngẫu nhiên hóa miền, thay đổi ngẫu nhiên các kết cấu, ánh sáng, khối lượng và các thông số vật lý trong quá trình huấn luyện mô phỏng, là biện pháp giảm thiểu được áp dụng rộng rãi nhất. NVIDIA Cosmos bổ sung khả năng tạo video chân thực như một nguồn dữ liệu bổ sung. Hầu hết các hệ thống VLA được triển khai đều bổ sung dữ liệu mô phỏng bằng các bản trình diễn robot thực tế để thu hẹp khoảng cách còn lại.

Liệu trí tuệ nhân tạo thể hiện (embodied AI) có thể hoạt động với các cánh tay robot công nghiệp hiện có hay cần phần cứng mới?

Các cánh tay robot hiện có có thể đóng vai trò là lớp vật lý cho các mục tiêu chuyển động do VLA tạo ra, miễn là bộ điều khiển có thể chấp nhận các lệnh vị trí hoặc vận tốc bên ngoài với tần số đủ (thường là 10–100 Hz). Ngăn xếp suy luận VLA chạy trên một nút tính toán GPU riêng biệt và gửi các tư thế mục tiêu đến bộ điều khiển robot thông qua một giao diện tiêu chuẩn (EtherCAT, OPC UA hoặc API dành riêng cho nhà cung cấp). Các cánh tay robot cộng tác dòng EVST QJAR và XR đầy đủ tính năng đều cung cấp các giao diện bus trường tiêu chuẩn cho phép kiến ​​trúc hai lớp này, do đó các nhà máy không cần phải thay thế phần cứng hiện có để chạy các chương trình thí điểm suy luận VLA.

-

Đọc liên quan

• Robot hình người trong sản xuất công nghiệp: Vị thế của chúng vào năm 2026Bài viết này cũng đề cập đến việc triển khai Figure, Agility, Apptronik và Boston Dynamics trong môi trường nhà máy.
• Robot hình người so với cánh tay robot công nghiệp: Loại nào phù hợp với nhà máy của bạn vào năm 2026?, so sánh từng nhiệm vụ về sự khéo léo của người máy hình người với hiệu suất của cánh tay có khớp nối.
• Hướng dẫn toàn diện về robot cộng tác: Các loại, lựa chọn và ứng dụng trong năm 2026bao gồm kiến ​​trúc cobot, tiêu chuẩn an toàn và khung lựa chọn một cách chuyên sâu.
• Top 10 nhà sản xuất robot công nghiệp hàng đầu tại Trung Quốc: Phiên bản năm 2026Bao gồm ESTUN, SIASUN, GSK, EVST và các nhà xuất khẩu khác, với phân tích chi tiết về tải trọng và ứng dụng.
• Trí tuệ nhân tạo thể hiện trong sản phẩm dành cho các nhà sản xuất công nghiệp: Các trường hợp sử dụng, lợi tức đầu tư và nơi nên thử nghiệm., một bản đồ chuẩn bị thực tiễn và hướng dẫn lựa chọn phi công cho các nhóm sản xuất
• Các công ty hàng đầu về mô hình và trí tuệ nhân tạo thể hiện trong robot năm 2026., bức tranh tổng quan về các tổ chức đang xây dựng mô hình VLA và nền tảng robot

-

Cập nhật lần cuối: ngày 12 tháng 6 năm 2026. Dữ liệu về các thông số và triển khai mô hình VLA được lấy từ các bài nghiên cứu công khai (Brohan et al. 2023, Kim et al. 2024) và các thông báo của nhà sản xuất. Dữ liệu thị trường được trích dẫn từ Báo cáo Robot Thế giới năm 2025 của Liên đoàn Robot Quốc tế (IFR). Trường hợp không có số liệu cụ thể, cụm từ “theo quan sát của ngành” được sử dụng thay cho các số liệu không rõ nguồn gốc.

Xem phần Giải pháp AI thể hiện qua hình thể →