机器人与物理 AI
ASUS为Gallop人形机器人设定与人工作业节奏相当的包装目标
将 Unite.AI 添加到您在 Google 上的首选来源
要点ASUS tests Gallop on its own factory lines rather than rented space.
查看更多
- ASUS tests Gallop on its own factory lines rather than rented space.
- Four fixed software layers let ASUS swap AI models without rebuilding the robot.
- Customer pilots in 2027 must prove repeatable factory results before broader use.
ASUS 于 2026 年 11 月 13 日详细介绍了 Gallop。Gallop 是其首款人形机器人，正在集团旗下的一家电子产品工厂学习打包 15 种主板配件，目标是在 20 秒内以 99.5% 的成功率完成每块主板的打包。
许多零件装在薄而透明的袋子里，因此这项工作对简单的夹爪来说颇具挑战。ASUS选择这项任务，是为了测试机器人能否独立承担大部分工作，而无需有人始终守在旁边。公司对人也采用同样的速度与成功率标准；Gallop的相关数字是目标，并非已实现的结果。
完整的演示、学习和产线测试流程如今已能运作：由人示范任务，机器人学习任务，再由ASUS在产线上进行测试。该机器人由Physical AI Solutions Business Group旗下的Humanoid Robotics业务部门研发，项目于2026年初启动。
ASUS为采用人形机器人形态提出的更广泛理由是，机械臂和灵巧的手能够使用现有的工作站、工具和托盘——这些设备原本就是为人设计的，因此无需围绕机器人重新改造工厂；与此同时，ASUS也承认，并非每项任务都需要人形机器人。
以熟练工人的操作为基础进行训练
ASUS从开源AI模型入手，而不是在内部构建庞大的模型。经本人同意后，经验丰富的工人会佩戴头戴式摄像头，让他们的示范呈现工作的实际操作方式。模拟系统会生成这些示范的不同变体，随后，一名佩戴VR头显和手套的操作员会引导Gallop使用与实际工作站相同的零件和摄像头进行练习。
机器人部署后录制的视频会反馈到训练中。ASUS称，其优势在于掌握来自实际工作站、零件和质量规范的适当数据；公司旗下的电子制造服务工厂则提供了测试环境，而大多数机器人公司必须租用此类环境。
四层软件架构与自研硬件
Gallop的软件分为四层。规划器负责解读场景并将任务拆分为多个步骤；第二层AI监督器会检查每个步骤，并在出现问题后重新规划；技能层负责伸手、抓取和放置；控制层则精确驱动机械臂和手，并在出现异常时将其停止。
各层之间采用固定接口，旨在让ASUS无需重新构建机器人即可更换AI模型。该系统在Gallop机身内的一台NVIDIA Jetson AGX Thor计算机上运行，并使用标准机器人软件。
ASUS在内部设计机身和具备触觉感知能力的灵巧手，电机和其他标准组件则来自成熟的合作伙伴。目前的机器人采用固定底座和双臂，用于固定位置的取放作业；自研的手尚未集成。
试点与商业化计划
ASUS计划集成这只手、为Gallop加装轮子，并在Computex 2027上向客户展示；同年也计划开展客户试点。目标是在2028年下半年实现上市。
电子制造是首个预定应用市场。ASUS预计，在一项工作中学会的取放技能可以迁移到其他工作中，未来也可能应用于医院和服务场所。
ASUS将这款机器人定位于难以招人的重复性高、体力要求大的工作岗位，而非用来取代工人。教机器人学习的员工将转而负责机器人的设置、监督和改进。
计划中的试点将检验：通过熟练工人学习并利用特定工作站的数据，机器人能否在日常运行中持续维持工厂要求的质量和节奏。ASUS将这种稳定性视为扩大应用范围的门槛：Gallop现有的训练流程是起点，而试点必须证明，它能在日常工厂环境下持续产出可重复的结果。
