知识卡片：制造机器的机器——NVIDIA 机器人组装 GB300 测试托盘

一句话结论

NVIDIA Seattle Robotics Lab 与 NVIDIA Isaac 工程团队以“经典模块化机器人管线 + 按需机器人学习 + 机械夹具设计 + 容器化机器人服务”为路线，尝试让机器人组装 GB300 tester tray；其中 busbar assembly 达到 >95% 成功率、160 秒完整节拍，但尚未达到厂商要求的 99.5% 成功率和 ≤124 秒，多连接器插入的最终指标在提供材料中未完整披露。

事件概述或研究问题

• 背景：NVIDIA Grace Blackwell GB300 superchip 是现代基础模型 AI 训练和推理的引擎，但 GB300 tray 装配需要熟练物理劳动。
• 核心问题：能否建造智能机器人来组装如此复杂的系统？
• 研究对象：GB300 tester trays，用于在发货和部署前验证 GB300 计算模块的功能与性能。
• 两个关键任务：
  1. busbar assembly：抓取、运输、插入长而重的 busbar，并在 16 个位置拧螺丝；还需插入/移除 fixtures 和 clamps。
  2. multi-connector insertion：从 tray 中抬起两个大连接器和两个小连接器，并插入 tight-clearance sockets。
• 主要挑战：
  • 不确定性：零件几何、外观、动力学不精确已知，初始位姿变化大；连接器连着会变形的电缆，存在制造差异、塑性变形和疲劳。
  • 性能要求：研究场景中 50%–60% 成功率可能够用，80%–90% 可称“解决”；但工业场景要求节拍、运动平滑、轻柔处理和统计严谨性。
  • Moravec 悖论：熟练工人可轻松完成，机器人自动化却异常困难。
  • 因快速设计周期和低产量，fixed automation 不可行，需要 flexible automation。
• 厂商要求：在 busbar assembly 中，要求 99.5% 成功率、节拍不超过熟练工人的两倍，即 ≤124 秒，且不允许与 tray 发生意外碰撞。

方法/产品要点

• 总体策略：the right tool at the right time。先实现经典 baseline，再按需探索 imitation learning、simulation-based RL with sim-to-real、real-world RL 和 VLA 模型。
• Busbar assembly：
  • 采用模块化 perception、planning、control 管线，经典管线效果足够好，未被迫转向端到端学习。
  • 感知：使用 FoundationPose 估计 6D pose；后扩展为多视角估计并选置信度更高结果，以缓解 90 度或 180 度错误。后续转向专用模型 DOPER。
  • 规划：自由空间快速 waypoint planner；使用 Lissajous-curve manipulation primitives 等简单路径对齐初始错位零件。
  • 控制：高性能 impedance controller，包含自动阻尼设计和惯性补偿，强调轻柔、稳定接触和足够插入力。
  • 硬件：两个 Flexiv Rizon 4S 机械臂和一个 UR10e 机械臂，UR10e 配 OnRobot screwdriver。一个 Flexiv 负责相机位姿估计，一个负责插入 limit fixture、busbar 并后续移除 clamp/fixture，UR10e 负责 16 次拧螺丝。
  • 为便于单臂解锁，busbar clamp 经厂商同意做了轻微修改。
• Multi-connector insertion：
  • 电缆抓取使用 SAM3 segmentation。
  • 连接器抓取需要新的专用位姿估计框架 DOPER，即 Deep Object Pose Estimation Revisited，用合成和真实数据训练。
  • 定制 3D 打印多用途夹爪手指，在接触时机械约束零件运动，使抓取位姿更可重复，无需触觉传感器或 in-hand manipulation。
  • 连接器插入策略先在 NVIDIA Isaac Lab 中用 sim-to-real 强化学习预训练，再通过 SPARR 方法结合力扭矩输入进行真实世界残差策略训练。
• 基础设施：
  • Robotics services 将库转为可独立部署的 Web 服务，支持 edge、on-prem、cloud，使用 Docker 容器和 FastAPI/HTTP 端点，并有轻量 Python 客户端。
  • 示例包括 cuRobo 运动规划服务和 FoundationPose 位姿估计服务。
  • 页面 AI 摘要还提到 Task and Agent Lifecycle Orchestration System (TALOS)，提供可复用、容器化的 perception、planning、control 组件，加速跨机器人平台开发与部署。

主要结果或产业意义

• Busbar assembly 成功率超过 95%，但目标为 99.5%；完整节拍为 160 秒，目标为 ≤124 秒。
• Limit fixture 和 busbar 子任务满足节拍要求；screwdriving 是瓶颈，因为拧螺丝操作是顺序、设备特定的。
• 剩余失败主要来自抓取错误和插入过程中的 in-hand slippage。
• 文章称截至发布时正在快速接近厂商阈值。
• 多连接器插入的最终成功率、节拍、与厂商阈值差距在提供材料中未完整给出，待核实。
• 产业意义：GB300 代表 AI 基础设施制造需求；若机器人能适应低产量、快速设计变化和高不确定性，将支撑 NVIDIA 所谓的 flexible automation 战略优先级，即“制造机器的机器”。

为什么重要

• 这是 physical AI 进入真实工业装配的案例，不只是实验室演示。
• 它挑战“端到端学习总是更优”的假设：在高精度工业任务中，经典模块化管线、专用姿态估计、机械夹具和高质量控制仍可能是关键。
• 它强调 mechanical intelligence 和 good old-fashioned engineering：3D 打印夹爪手指通过被动机械约束减少了对触觉传感器和灵巧操作的依赖。
• 它展示仿真到现实 RL、残差策略和机器人服务基础设施如何组合成工业级系统。
• 与既有脉络的关系：已有 Physical Intelligence π*0.6 卡片关注通用机器人学习与复杂任务吞吐；本卡片增量在于 NVIDIA 以 GB300 tester tray 装配为案例，展示经典模块化管线、专用姿态估计、sim-to-real RL、SPARR 残差策略、机械夹具和容器化机器人服务在工业级成功率/节拍目标下的组合。与 Aurora 无人驾驶卡车、CFO 与 AI 新经济学卡片无直接重复。

局限与不确定性

• 提供材料包含页面中的 AI-Generated Summary，NVIDIA 提示其可能不完整；关键数字和表述应以原文为准。
• 多连接器插入的最终成功率、节拍、失败模式、统计样本量未完整给出，待核实。
• Busbar assembly 尚未达到 99.5% 成功率和 124 秒目标；文章称正在接近阈值，但最终是否达标待核实。
• 是否已规模化部署到 Foxconn 或其他工厂、长期可靠性、维护成本、安全认证、跨平台复制性均待核实。
• 抓取文本在基础设施部分被截断，后续细节和其他任务结果不完整。

可用于图书/PPT/简报的角度

• Moravec 悖论在制造业：人类熟练装配容易，机器人自动化极难。
• “正确的工具在正确的时间”：经典模块化管线 vs. 端到端学习，避免为技术新颖性而技术新颖。
• 柔性自动化与 AI 基础设施制造：低产量、高混合、快速设计周期下的机器人适应能力。
• 机械智能：3D 打印手指和被动约束如何替代或减少触觉传感器、in-hand manipulation。
• 仿真到现实 + 残差策略：Isaac Lab、sim-to-real RL、SPARR、力扭矩输入。
• 机器人服务与 TALOS：把机器人栈容器化、服务化、可复用，降低依赖地狱和部署成本。
• 工业级指标与研究指标的差异：99.5% 成功率、124 秒节拍、零意外碰撞 vs. 研究中的 50%–90% 成功率。

原始材料

• 英文标题：The Machines that Make the Machines | NVIDIA Technical Blog
• 原始来源：https://developer.nvidia.com/blog/the-machines-that-make-the-machines
• 发布日期：Oct 07, 2026
• 作者：Iretiayo Akinola, Alperen Degirmenci, Yijie Guo, Hugo Hadfield, Lars Johannsmeier, Alexander Lefort, Yashraj Narang, Yichao Pan, Yixuan Wang
• 栏目：Robotics
• 英文关键词：robot learning, mechanical intelligence, engineering, GB300 tester trays, busbar assembly, multi-connector insertion, FoundationPose, DOPER, SPARR, NVIDIA Isaac Lab, TALOS
• 说明：以上依据页面抓取文本及其中 AI-generated summary；AI 摘要可能不完整，关键事实请以原文为准。