Промышленная робототехника за последнюю неделю
За неделю отрасль ещё сильнее сместилась в сторону Physical AI. Робототехника всё заметнее уходит от жёстко запрограммированных сценариев к системам, которые учатся на данных, симуляции, визуальном восприятии и обратной связи из реальной среды.
Hexagon Robotics и NVIDIA развивают Physical AI Data Factory Blueprint — открытую архитектуру для генерации, обогащения и проверки данных, которые нужны для обучения промышленных роботов и автономных систем.
Это не просто очередной AI‑анонс, а попытка построить промышленный конвейер для подготовки данных: от синтетики и оценки до reinforcement learning и развёртывания.
На уровне реального внедрения особенно показателен кейс BMW. В BMW Group Plant Leipzig запущен первый в Германии пилот с гуманоидных роботом AEON, а сам проект компания описывает как шаг к физическому AI в производстве.
В Польше и США BMW уже проверяла похожую логику на практике: в Spartanburg Figure 02 отработал более 1 250 часов, обработал около 90 000 компонентов и помог в выпуске более 30 000 BMW X3.
Это важно, потому что рынок всё чаще сравнивает не презентации, а конкретные часы работы, количество обработанных деталей и стабильность в сменном производстве.
По сути, humanoid‑роботы перестают быть только витринной историей и начинают входить в производственный цикл как ещё один тип оборудования для повторяющихся и эргономически сложных операций.
Mistral AI тоже вошла в robotics‑гонку и представила Robostral Navigate — свой первый model для embodied navigation.
Модель принимает один RGB‑кадр и текстовую команду, работает без LiDAR, глубинных сенсоров и multi-camera rig, а обучение прошло полностью в симуляции.
По опубликованным данным, она показала 76,6% успеха на unseen-версии R2R-CE и 79,4% на seen-сценариях, что делает релиз особенно заметным для складской и фабричной навигации.
Практический смысл здесь тоже очевиден. Чем меньше зависимость от дорогого сенсорного стека, тем проще масштабировать роботов в логистике, внутрипроизводственной мобильности и складской автоматизации.
Для европейского рынка это ещё и стратегический сигнал: AI‑компании начинают конкурировать не только в больших языковых моделях, но и в физическом мире — там, где важны путь, препятствия, локальная навигация и переносимость на разное железо.
На фоне этих новостей заметен ещё один важный сдвиг: производители и AI‑компании пытаются закрыть разрыв между лабораторной демонстрацией и реальной эксплуатацией.
Именно поэтому сейчас так много внимания к data factories, цифровым двойникам, обучению в симуляции и промышленной валидации.
Промышленная робототехника, роботизация производства📱