“服裝行業80% 的生產時間與成本浪費在「物料處理」上，尤其在「縫制前的準備」中，67% 的人工被用于整理布料、對齊、折疊等。”

作者丨胡敏

編輯丨包永剛

12月12日，第八屆 GAIR 全球人工智能與機器人大會于深圳正式拉開帷幕。

本次大會為期兩天，由GAIR研究院與雷峰網聯合主辦，高文院士任指導委員會主席，楊強院士與朱曉蕊教授任大會主席。

作為 AI 產學研投界標桿盛會，GAIR自2016年創辦以來，始終堅守 “傳承+創新” 內核，是 AI 學界思想接力的陣地、技術交流的平臺，更是中國 AI 四十年發展的精神家園。過去四年大模型驅動 AI 產業加速變革，歲末年初 GAIR 如約而至，以高質量觀點碰撞，為行業與大眾呈現AI時代的前沿洞見。

本次峰會之上，賽馬會「軟性材料應用機器人」創科實驗室總監、日本工程院院士小菅一弘為與會者們帶來了一場精彩紛呈的報告。

他揭示了服裝制造業正在面臨一個驚人矛盾：萬億美元級別的巨大市場，但自動化程度極低。六年前中國工業機器人用了 11700 臺，可服裝行業才用 157 臺，這個行業的自動化，現在才真正開始。

而究其原因，是處理柔性、易變形材料是世界性難題。傳統自動化依賴“剛性”夾具，無法適應服裝款式的快速變化，導致自動化系統通用性差、成本高。

小菅一弘也提出了破局思路，他們團隊開發了一系列技術產品，讓機器能像熟練工人一樣感知、適應、抓取、裁剪柔軟布料。

在商業化上，他們選定了“汽車座椅”這一場景。到 2028 年，汽車產品工業縫紉設備市場規模預計達到 36.3 億美元，雖然相較于龐大的服裝市場，這可能不算最大，但其產品附加值更高，市場價值非常可觀，特別是歐洲市場，因為其人力成本高昂，這使得自動化成為了維持當地制造業競爭力的迫切需求。

精彩演講回顧：https://youtu.be/7kdjhOr1Rik

以下是小菅一弘演講的精彩內容，雷峰網作了不改變原意的整理與編輯：

非常感謝主持人的介紹。

謝您的介紹和邀請。我擔任日本機器人系統公司的總監，負責軟材料機器。我來自香港大學。今天受邀來到這里，上一次來是六年前的事。2019 年我曾介紹過一個我參與的研究方向，因此這次也希望延續當時的話題。首先，我想簡要地給你展示一些有趣的視頻，這是我的起點。

這是我的團隊中一個可用的機器人，它于2005年誕生。這實際上是一個舞會機器人。她會估計男性舞者，以此來與他共舞。這是一個非常不同的故事。

但這是我們很久以前開發的。在工業生產中，我們曾開發過一個系統叫做——PaDY，目前這個應用已經在日本、巴西等多個工廠中使用。

2021 年，我加入香港大學，開始在“軟性材料機器人”相關領域進行研究。我們亦在香港創新科技署（ITC）資助的變革性服裝生產中心，啟動了服裝生產相關研究，今天的內容也主要來自這項研究。

為什么要做這個研究？AI 在服裝領域的需求是什么？

各位都是做 AI 的，會覺得 AI 能夠解決很多問題。的確，在人工智能技術，特別是機器人技術領域，我們確實實現了許多制造過程的自動化。但很多人宣稱我們已經能完全搞定這一切，這并非事實。

實際上，制造業涵蓋的種類繁多的工藝。當你試圖用機器人實現自動化時，其中一個技術挑戰在于如何處理那些在軟件中難以被精準定義的‘對象’。目前，大量涉及柔性材料的復雜工藝流程，仍然主要依靠技術嫻熟的工人來完成，或者說很難被自動化。

我舉個例子，你們可能不太了解，比如在制鞋業中就有一個典型情況：需要將緊密的纖維材料放入模具中，并與作為內襯的皮革一起進行切割和加工。盡管有一些公司正在嘗試利用機器人技術和模仿人類手部動作的‘仿生技術’來解決這類問題，也取得了一些進展，但這個難題至今仍未得到完全解決。

回歸服裝本身，大家可能不清楚它的規模，到2030 年全球服裝行業全球營收規模預估可以達到 2.3 萬億美元。但是2019 年全球機器人使用量排行前五是：中國、日本、美國、韓國、德國。但服裝行業引入的工業機器人數量極少，中國僅157臺，而整體有大約11萬臺工業機器人設備被引入相關產業，形成鮮明反差。

服裝制造為什么難？哪里最耗時？研究顯示：80% 的生產時間與成本浪費在“物料處理”上（如搬、抓、鋪、定位）尤其在“縫制前的準備”中，67% 的人工被用于整理布料、對齊、折疊等。

誠然，從歷史上看，已有不少研究者和企業針對柔性材料（如紡織品）的熱成型輪廓與遺傳算法優化展開過探索。他們大量始于上世紀八九十年代，但后來很多項目中斷了。

如今在工業生產中，許多工序（例如切割、折疊、縫合、口袋定位、縫紉、面線、熨燙等）仍嚴重依賴人工。盡管某些環節已經實現了一定程度的自動化，例如在多層織物切割中引入計算機數控機床，可以實現近乎全自動的操作，但在更多需要處理柔性、易變形材料的環節中，人類操作員仍是不可或缺的。

以當前的縫紉環節為例：市面上的半自動縫紉機在處理非常柔軟的面料時，仍需工人配合使用夾具或模板來臨時固定材料，使之在局部區域變得“剛性”，才能被機器穩定操作。這意味著，一旦口袋的形狀、尺寸或位置發生變化，整個夾具乃至系統都需要重新設計與調整，限制了自動化的通用性與響應速度。

因此，我們說，在大規模生產中應用的自動化系統往往是“固化”的——它們將某些工藝流程緊密耦合，適用于無需頻繁更換的設計，對操作人員的技術要求較低。而“半自動系統”則需要根據不同的產品設計和規格進行專門的系統配置與調試，無法像一套通用工具那樣適配所有需求。為此，在我們的研究項目中，我們著力開發了幾項關鍵的手部操作技術。

其中一種是針對多層裁剪后織物部件的分離與抓取問題。

通常，多層裁片會粘連在一起，而一件衣服的組裝需要逐一拾取單層裁片。為解決這一問題，我們設計了一種基于被動柔順機構的抓取器，它通過外殼與內置手指間的相對運動產生自適應抓取動作，可穩定拾取單層面料，并可集成于機械臂末端使用。

另一項技術是針對在壓力機或類似平臺上進行的拾取操作。在這種情況下，我們采用兩個機械臂進行協同作業。由于難以在空中精確定位和抓取目標物件，我們引入了傳感器來實時監測物體的狀態。這套系統主要依靠吸力抓取，這種方式在某些情況下非常簡單有效。當多個目標物貼合在一起時，系統需要能夠成功地將它們逐一分離并拾取。

為實現自適應操作，系統需能實時檢測故障（如抓取失敗）并及時排除問題。在大多數實際生產中，處理獨特或非標工件時，通常仍需要人工介入。為此，我們集成了基于人工智能的視覺檢測技術，它能以每秒約120幀的速度進行監控和分析。這項技術既可以用于后端質檢，也可以前置應用于實時過程控制。

據我所知，行業內約60%的自動化資源都專注于縫紉環節。因此，我們也高度重視縫紉工序的自動化，并開發了一項技術，專注于改造通用的工業縫紉機。在縫紉中，通常很容易實現自動化，例如通過送布牙或滾輪機構帶動布料在針周圍移動。然而，真正的挑戰在于如何精確控制機針本身的運動軌跡——不僅需要定位，更需要控制針的穿刺路徑和姿態。這是一個典型的運動控制問題，它本質上屬于一種非線性的控制過程。我的學生已成功為此設計了專用的控制器。

如此一來，機械手便能控制縫紉機頭，使其按照規劃的路徑和旋轉方向進行精密運動。只要運動足夠平滑，理論上可以實現任意復雜的縫紉軌跡。我們在設計中采用了在線收斂算法，可以實時調整。我們定義了相關的控制參數與比率，并將多種策略相結合，使得整體行為看起來更加協調和智能。我認為，這正是具身智能的一種體現：機器能夠像熟練工人一樣，根據實際情況靈活地解決問題。關鍵在于，它不僅能定位，更能規劃和執行完整的動作序列。

以上便是基于紙張（或柔性材料）的演示說明。通過這套系統，我們可以對其進行編程，讓它展示如何處理各種不同但結構相似的形狀。

實現這一目標的方法是多樣的，我們正在探索多種不同的技術路徑。有另一種實現全自動化的方案。通過使用 NEM 系統，機器人可以根據預置的指令進行操作。首先，將第一塊織物放置到位。在這個方案中，我們只使用縫紉機頭本身，然后通過對縫紉過程的操控，使其能夠基于預設的縫紉線跡進行工作，這其中會用到連接機構。

借助 AI 視覺系統，我們可以實現對織物紋理的精準匹配對齊。這是一種非常復雜的紋理處理。

通過視覺系統，我們可以將紋理對齊，并能處理多種不同類型的面料。這就是我們目前能做到的。這項技術讓一些原本不易實現的操作成為可能。這是一個非常重要且精妙的設計，我們正在用它來生產各種形狀的產品，例如從S形到W形，甚至是3D形狀。

我們成功開發了一些系統，可以使兩片不同裁片沿著各自的縫紉路徑準確地結合到一起。我們確信這是一項非常重要的技術，因為它無需任何額外編程。傳感器已集成在內，因此只需進行大量設置并啟動，系統就能將面料縫合以創建特定形狀。

還有人會說“你不需要使用機器人”。但我們剛剛部署了機器人來實現這個過程的完全自動化。通過整合兩臺機器人與這臺縫紉機，縫紉、修剪線頭等工序得以自動完成。這臺機器人的程序是由不熟悉機器人技術的人員編寫的，因此運行時會有些抖動，但這仍然是一個可行的方案。

由于我使用的是免費（或開源）的仿真軟件，所以整個過程耗時較長，但我覺得我們總體上還是加快了進度。

接下來是一個范例：處理T恤衫的肩部拼接。你需要將前后兩片織物精確地對齊疊合。通過運用 視覺伺服（Visual Servoing） 的概念，并結合與之前類似的鏈接技術，系統嘗試獲取輪廓信息以實現對齊。在此之后，它實際上就能“看到”并將這兩部分準確地對齊在一起了。

更進一步說，我們所做的是基礎研究。我與這家公司沒有關聯，但我們發現了一個非常好的 YouTube 視頻，其中展示他們需要處理一塊內含一百個的織物。這意味著，要讓織物運動，運動軌跡設計至關重要。而為了進行規劃，我們必須對織物的動力學行為進行建模，這非常困難。為此，我們使用了 Transformer 模型。我們用 Transformer 進行了運動規劃，對織物的動態運動進行建模，并以此為基礎生成動作。這是一個3D案例。

你可以看到機器手的動作能夠避免碰撞。這在很大程度上得益于精準的掩模（Mask）處理。很多人都在從事相關領域和綠色能源的研究，因此我們也有一些可用于處理各種織物粗化（Roughing）的技術。關鍵在于，這不是處理可見的剛性物體。我們使用另一種架構來訓練控制器，使得同一個控制器可以用于處理多種不同的形狀或材質。

這很有趣，但我們還沒有找到太多的實際應用場景。因此，我們正在努力尋找應用突破口。我們發現，之前深圳一家公司的例子或許展示了如何揀選一塊印花布。我們正試圖將這項研究推向下一階段，但要讓它被業界接受和采納并非易事。所以我們的一位學生正在嘗試。你可以使用某種特定的技術來實現這一點。我希望我們將來能夠應用它。

正如我一直強調的，這件事至關重要。我們正在認真考慮如何將這套系統推向市場。目前我們選定了“汽車座椅”這一場景。

到 2028 年，全球汽車座椅工業縫紉設備市場規模預計達到 36.3 億美元，雖然相較于龐大的應用市場，這可能不算最大，但其產品附加值更高，市場價值非常可觀。我們認為這是一個極具潛力的方向。有趣的是，最大的市場在歐洲，其次是中國、北美、東南亞和日本。歐洲市場之所以領先，是因為其人力成本高昂，這使得自動化成為了維持當地制造業競爭力的迫切需求。這為我們創造了一個明確的轉型窗口和市場切入點。緊隨其后的是一個穩定增長的、可觀的升級銷售市場。這是最后的，也是持續的一部分。

和之前一樣，我們的目標始終如一：將一個復雜的工藝主題，轉變為一個穩定、可靠的自動化流程。非常感謝！這就是我們團隊的工作。我希望有些人，以及我本人，未來都能有機會向大家介紹，這套系統如何能夠真正幫助到各位。非常感謝大家的關注！