“服装行业80% 的生产时间与成本浪费在「物料处理」上，尤其在「缝制前的准备」中，67% 的人工被用于整理布料、对齐、折叠等。”

作者丨胡敏

编辑丨包永刚

12月12日，第八届 GAIR 全球人工智能与机器人大会于深圳正式拉开帷幕。

本次大会为期两天，由GAIR研究院与雷峰网联合主办，高文院士任指导委员会主席，杨强院士与朱晓蕊教授任大会主席。

作为 AI 产学研投界标杆盛会，GAIR自2016年创办以来，始终坚守 “传承+创新” 内核，是 AI 学界思想接力的阵地、技术交流的平台，更是中国 AI 四十年发展的精神家园。过去四年大模型驱动 AI 产业加速变革，岁末年初 GAIR 如约而至，以高质量观点碰撞，为行业与大众呈现AI时代的前沿洞见。

本次峰会之上，赛马会「软性材料应用机器人」创科实验室总监、日本工程院院士小菅一弘为与会者们带来了一场精彩纷呈的报告。

他揭示了服装制造业正在面临一个惊人矛盾：万亿美元级别的巨大市场，但自动化程度极低。六年前中国工业机器人用了 11700 台，可服装行业才用 157 台，这个行业的自动化，现在才真正开始。

而究其原因，是处理柔性、易变形材料是世界性难题。传统自动化依赖“刚性”夹具，无法适应服装款式的快速变化，导致自动化系统通用性差、成本高。

小菅一弘也提出了破局思路，他们团队开发了一系列技术产品，让机器能像熟练工人一样感知、适应、抓取、裁剪柔软布料。

在商业化上，他们选定了“汽车座椅”这一场景。到 2028 年，汽车产品工业缝纫设备市场规模预计达到 36.3 亿美元，虽然相较于庞大的服装市场，这可能不算最大，但其产品附加值更高，市场价值非常可观，特别是欧洲市场，因为其人力成本高昂，这使得自动化成为了维持当地制造业竞争力的迫切需求。

精彩演讲回顾：https://youtu.be/7kdjhOr1Rik

以下是小菅一弘演讲的精彩内容，雷峰网作了不改变原意的整理与编辑：

非常感谢主持人的介绍。

谢您的介绍和邀请。我担任日本机器人系统公司的总监，负责软材料机器。我来自香港大学。今天受邀来到这里，上一次来是六年前的事。2019 年我曾介绍过一个我参与的研究方向，因此这次也希望延续当时的话题。首先，我想简要地给你展示一些有趣的视频，这是我的起点。

这是我的团队中一个可用的机器人，它于2005年诞生。这实际上是一个舞会机器人。她会估计男性舞者，以此来与他共舞。这是一个非常不同的故事。

但这是我们很久以前开发的。在工业生产中，我们曾开发过一个系统叫做——PaDY，目前这个应用已经在日本、巴西等多个工厂中使用。

2021 年，我加入香港大学，开始在“软性材料机器人”相关领域进行研究。我们亦在香港创新科技署（ITC）资助的变革性服装生产中心，启动了服装生产相关研究，今天的内容也主要来自这项研究。

为什么要做这个研究？AI 在服装领域的需求是什么？

各位都是做 AI 的，会觉得 AI 能够解决很多问题。的确，在人工智能技术，特别是机器人技术领域，我们确实实现了许多制造过程的自动化。但很多人宣称我们已经能完全搞定这一切，这并非事实。

实际上，制造业涵盖的种类繁多的工艺。当你试图用机器人实现自动化时，其中一个技术挑战在于如何处理那些在软件中难以被精准定义的‘对象’。目前，大量涉及柔性材料的复杂工艺流程，仍然主要依靠技术娴熟的工人来完成，或者说很难被自动化。

我举个例子，你们可能不太了解，比如在制鞋业中就有一个典型情况：需要将紧密的纤维材料放入模具中，并与作为内衬的皮革一起进行切割和加工。尽管有一些公司正在尝试利用机器人技术和模仿人类手部动作的‘仿生技术’来解决这类问题，也取得了一些进展，但这个难题至今仍未得到完全解决。

回归服装本身，大家可能不清楚它的规模，到2030 年全球服装行业全球营收规模预估可以达到 2.3 万亿美元。但是2019 年全球机器人使用量排行前五是：中国、日本、美国、韩国、德国。但服装行业引入的工业机器人数量极少，中国仅157台，而整体有大约11万台工业机器人设备被引入相关产业，形成鲜明反差。

服装制造为什么难？哪里最耗时？研究显示：80% 的生产时间与成本浪费在“物料处理”上（如搬、抓、铺、定位）尤其在“缝制前的准备”中，67% 的人工被用于整理布料、对齐、折叠等。

诚然，从历史上看，已有不少研究者和企业针对柔性材料（如纺织品）的热成型轮廓与遗传算法优化展开过探索。他们大量始于上世纪八九十年代，但后来很多项目中断了。

如今在工业生产中，许多工序（例如切割、折叠、缝合、口袋定位、缝纫、面线、熨烫等）仍严重依赖人工。尽管某些环节已经实现了一定程度的自动化，例如在多层织物切割中引入计算机数控机床，可以实现近乎全自动的操作，但在更多需要处理柔性、易变形材料的环节中，人类操作员仍是不可或缺的。

以当前的缝纫环节为例：市面上的半自动缝纫机在处理非常柔软的面料时，仍需工人配合使用夹具或模板来临时固定材料，使之在局部区域变得“刚性”，才能被机器稳定操作。这意味着，一旦口袋的形状、尺寸或位置发生变化，整个夹具乃至系统都需要重新设计与调整，限制了自动化的通用性与响应速度。

因此，我们说，在大规模生产中应用的自动化系统往往是“固化”的——它们将某些工艺流程紧密耦合，适用于无需频繁更换的设计，对操作人员的技术要求较低。而“半自动系统”则需要根据不同的产品设计和规格进行专门的系统配置与调试，无法像一套通用工具那样适配所有需求。为此，在我们的研究项目中，我们着力开发了几项关键的手部操作技术。

其中一种是针对多层裁剪后织物部件的分离与抓取问题。

通常，多层裁片会粘连在一起，而一件衣服的组装需要逐一拾取单层裁片。为解决这一问题，我们设计了一种基于被动柔顺机构的抓取器，它通过外壳与内置手指间的相对运动产生自适应抓取动作，可稳定拾取单层面料，并可集成于机械臂末端使用。

另一项技术是针对在压力机或类似平台上进行的拾取操作。在这种情况下，我们采用两个机械臂进行协同作业。由于难以在空中精确定位和抓取目标物件，我们引入了传感器来实时监测物体的状态。这套系统主要依靠吸力抓取，这种方式在某些情况下非常简单有效。当多个目标物贴合在一起时，系统需要能够成功地将它们逐一分离并拾取。

为实现自适应操作，系统需能实时检测故障（如抓取失败）并及时排除问题。在大多数实际生产中，处理独特或非标工件时，通常仍需要人工介入。为此，我们集成了基于人工智能的视觉检测技术，它能以每秒约120帧的速度进行监控和分析。这项技术既可以用于后端质检，也可以前置应用于实时过程控制。

据我所知，行业内约60%的自动化资源都专注于缝纫环节。因此，我们也高度重视缝纫工序的自动化，并开发了一项技术，专注于改造通用的工业缝纫机。在缝纫中，通常很容易实现自动化，例如通过送布牙或滚轮机构带动布料在针周围移动。然而，真正的挑战在于如何精确控制机针本身的运动轨迹——不仅需要定位，更需要控制针的穿刺路径和姿态。这是一个典型的运动控制问题，它本质上属于一种非线性的控制过程。我的学生已成功为此设计了专用的控制器。

如此一来，机械手便能控制缝纫机头，使其按照规划的路径和旋转方向进行精密运动。只要运动足够平滑，理论上可以实现任意复杂的缝纫轨迹。我们在设计中采用了在线收敛算法，可以实时调整。我们定义了相关的控制参数与比率，并将多种策略相结合，使得整体行为看起来更加协调和智能。我认为，这正是具身智能的一种体现：机器能够像熟练工人一样，根据实际情况灵活地解决问题。关键在于，它不仅能定位，更能规划和执行完整的动作序列。

以上便是基于纸张（或柔性材料）的演示说明。通过这套系统，我们可以对其进行编程，让它展示如何处理各种不同但结构相似的形状。

实现这一目标的方法是多样的，我们正在探索多种不同的技术路径。有另一种实现全自动化的方案。通过使用 NEM 系统，机器人可以根据预置的指令进行操作。首先，将第一块织物放置到位。在这个方案中，我们只使用缝纫机头本身，然后通过对缝纫过程的操控，使其能够基于预设的缝纫线迹进行工作，这其中会用到连接机构。

借助 AI 视觉系统，我们可以实现对织物纹理的精准匹配对齐。这是一种非常复杂的纹理处理。

通过视觉系统，我们可以将纹理对齐，并能处理多种不同类型的面料。这就是我们目前能做到的。这项技术让一些原本不易实现的操作成为可能。这是一个非常重要且精妙的设计，我们正在用它来生产各种形状的产品，例如从S形到W形，甚至是3D形状。

我们成功开发了一些系统，可以使两片不同裁片沿着各自的缝纫路径准确地结合到一起。我们确信这是一项非常重要的技术，因为它无需任何额外编程。传感器已集成在内，因此只需进行大量设置并启动，系统就能将面料缝合以创建特定形状。

还有人会说“你不需要使用机器人”。但我们刚刚部署了机器人来实现这个过程的完全自动化。通过整合两台机器人与这台缝纫机，缝纫、修剪线头等工序得以自动完成。这台机器人的程序是由不熟悉机器人技术的人员编写的，因此运行时会有些抖动，但这仍然是一个可行的方案。

由于我使用的是免费（或开源）的仿真软件，所以整个过程耗时较长，但我觉得我们总体上还是加快了进度。

接下来是一个范例：处理T恤衫的肩部拼接。你需要将前后两片织物精确地对齐叠合。通过运用 视觉伺服（Visual Servoing） 的概念，并结合与之前类似的链接技术，系统尝试获取轮廓信息以实现对齐。在此之后，它实际上就能“看到”并将这两部分准确地对齐在一起了。

更进一步说，我们所做的是基础研究。我与这家公司没有关联，但我们发现了一个非常好的 YouTube 视频，其中展示他们需要处理一块内含一百个的织物。这意味着，要让织物运动，运动轨迹设计至关重要。而为了进行规划，我们必须对织物的动力学行为进行建模，这非常困难。为此，我们使用了 Transformer 模型。我们用 Transformer 进行了运动规划，对织物的动态运动进行建模，并以此为基础生成动作。这是一个3D案例。

你可以看到机器手的动作能够避免碰撞。这在很大程度上得益于精准的掩模（Mask）处理。很多人都在从事相关领域和绿色能源的研究，因此我们也有一些可用于处理各种织物粗化（Roughing）的技术。关键在于，这不是处理可见的刚性物体。我们使用另一种架构来训练控制器，使得同一个控制器可以用于处理多种不同的形状或材质。

这很有趣，但我们还没有找到太多的实际应用场景。因此，我们正在努力寻找应用突破口。我们发现，之前深圳一家公司的例子或许展示了如何拣选一块印花布。我们正试图将这项研究推向下一阶段，但要让它被业界接受和采纳并非易事。所以我们的一位学生正在尝试。你可以使用某种特定的技术来实现这一点。我希望我们将来能够应用它。

正如我一直强调的，这件事至关重要。我们正在认真考虑如何将这套系统推向市场。目前我们选定了“汽车座椅”这一场景。

到 2028 年，全球汽车座椅工业缝纫设备市场规模预计达到 36.3 亿美元，虽然相较于庞大的应用市场，这可能不算最大，但其产品附加值更高，市场价值非常可观。我们认为这是一个极具潜力的方向。有趣的是，最大的市场在欧洲，其次是中国、北美、东南亚和日本。欧洲市场之所以领先，是因为其人力成本高昂，这使得自动化成为了维持当地制造业竞争力的迫切需求。这为我们创造了一个明确的转型窗口和市场切入点。紧随其后的是一个稳定增长的、可观的升级销售市场。这是最后的，也是持续的一部分。

和之前一样，我们的目标始终如一：将一个复杂的工艺主题，转变为一个稳定、可靠的自动化流程。非常感谢！这就是我们团队的工作。我希望有些人，以及我本人，未来都能有机会向大家介绍，这套系统如何能够真正帮助到各位。非常感谢大家的关注！