AI与机器人如何优化服装生产？赛马会创科实验室总监分享

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。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

本次大会为期两天，由GAIR研究院与(公众号：)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。

以下是小菅一弘演讲的精彩内容，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。

2024 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。