“机器人智能最重要的是硬件可靠性。只有硬件能够稳定运行，整个系统才谈得上可信。要打造真正可靠的机器人并不容易，目前这一领域仍处于持续验证和实证推进阶段。”

近日，Seoul National University of Science and Technology机械信息工程系教授Hwang Myeon-jung在接受采访时，围绕包括机器人智能在内的Physical AI发展现状作出上述表述。他认为，Physical AI要真正走向应用，关键首先不在概念，而在硬件稳定性和系统可验证性。

在Hwang看来，机器人智能的核心能力可以概括为“感知”和“操作”两部分。机器人能否准确识别目标，并以更快、更稳定的方式完成动作，将直接决定系统性能，这也是其团队当前重点攻关的方向。

Hwang团队日前在国际机器人年度赛事RoboCup 2026的ARM Challenge（Autonomous Robot Manipulation Challenge，自主机器人操作挑战赛）项目中获得第一名。这也是该团队继2022年、2023年后第三次夺冠。

ARM Challenge聚焦自主机器人操作。今年比赛的题目为可回收物分拣机器人，主要考察参赛系统在限定时间内完成抓取与分类任务的速度和准确率。比赛要求机器人在30分钟内，对数十个罐体、纸盒和瓶类目标完成分拣。Hwang团队的系统除1个目标外，其余均实现准确分类。

为备战本届赛事，Hwang团队在感知和操作两大模块上采用了不同于以往的技术路线。

在感知端，团队对开源模型进行了调优，并完成了自主实现，重点放在目标识别以及抓取方案生成两个环节。

在操作与控制端，团队采用了MathWorks的MATLAB工程软件。Hwang介绍称，MATLAB可用于数据分析、算法开发和系统建模，与外部模型联动较为方便，在Physical AI领域也已有较多应用案例。除了AI相关能力外，该工具在硬件集成层面也具备较强支持。由于数据格式相对标准化，即便使用自研模型，只要完成格式对齐，也有助于降低系统延迟。

在机器人安全性和可靠性方面，Hwang认为MATLAB等工具同样发挥着重要作用。他表示，安全性的提升最终仍要依赖大量测试，而在这一过程中会频繁使用仿真。如何将仿真结果稳定迁移到实体机器人上，需要持续积累经验，相关工具可以在这一过程中提供有效支持。

Hwang还指出，在Physical AI体系中，数据同样是决定性能的关键因素。尤其是针对“在特定场景下应如何动作”的数据，质量高低会直接影响最终效果。团队目前通过采集测试数据进行训练，并将训练后的模型部署在配备GPU的笔记本电脑上，用于本地识别。训练阶段需要云端等高性能算力资源支持，但推理可以在本地完成。

对于此次比赛成果，Hwang认为其已具备较强的落地应用潜力。他表示，即使在物体摆放并不规则的非结构化环境中，团队方案仍能保持较高的识别和分类准确度。比赛现场的照明条件也较为苛刻，与一般工厂环境较为接近，因此该方案有望直接应用于制造现场。与比赛场景相比，真实制造现场中需要处理的物体数量可能更少，在这种情况下还可通过减少抓取候选方案数量来进一步提升速度。

目前，Hwang实验室正围绕视觉感知、机器人机械臂等方向推进研发，不以是否采用人形外观为前提，而是聚焦识别与控制所需的核心能力建设。

在商业化落地方向上，团队将制造现场视为重点场景。Hwang判断，Physical AI相关需求将率先来自制造业，并指出韩国制造业在该领域已有较多应用基础，也积累了相对有价值的数据。

除持续提升机器人智能性能外，Hwang也将扩大现场应用案例视为重要任务，尤其关注人形机器人在真实场景中的验证。他认为，在韩国制造现场，“轮式底盘+双臂”的形态可能比传统双足方案更具吸引力。

Hwang表示，韩国制造现场整体较为整洁，在这样的环境中，双臂方案相较单臂可能更具优势；但若让机器人采用双足步行，不仅成本和系统负担更高，能耗也更大，跌倒风险同样更高。相比之下，带轮式底盘的人形机器人在韩国或许是更现实的选择。