具身智能驱动的智能制造应用发展研究

袁依格 ,  何卓丰 ,  李威 ,  胡东滨

中国工程科学 ›› 2025, Vol. 27 ›› Issue (3) : 67 -82.

PDF (1909KB)
中国工程科学 ›› 2025, Vol. 27 ›› Issue (3) : 67 -82. DOI: 10.15302/J-SSCAE-2025.04.016
智能制造装备及技术发展战略研究

具身智能驱动的智能制造应用发展研究

作者信息 +

Development of Intelligent Manufacturing Driven by Embodied Intelligence

Author information +
文章历史 +
PDF (1954K)

摘要

本文旨在探讨具身智能技术在智能制造领域的应用与发展，为具身智能在智能制造领域的落地应用提供理论支持与实践指导，促进制造业高质量发展与转型升级。按照基于规则的自动化制造、数据驱动的数字化智能制造、具身智能赋能的智能制造的三阶段划分，系统回顾了智能制造的技术演进过程；从交互模型、技术要素、技术框架3个层面出发，构建了具身智能驱动的智能制造技术体系，重点阐述了多模态制造业数据融合感知、基于大模型的具身智能制造、力控制、机器人运动规划等技术要素。具身智能对智能制造在生产制造、仓储物流、检测维护、人机协作等方面具有直接的赋能作用，但也面临多模态数据缺乏制约实际应用成效发挥、复杂制造环境增大感知理解难度、人工智能幻觉导致应用安全风险、软硬件结合问题影响智能能力提升、伦理法律缺失带来标准合规挑战等应用难点。研究建议，加强技术攻关、突破关键瓶颈，完善产业生态、推动应用落地，制定标准规范、保障生产安全，拓展应用场景、开辟市场空间，推动具身智能驱动的智能制造应用发展。

Abstract

This study aims to explore the application of embodied intelligence in the field of intelligent manufacturing, providing both theoretical support and practical guidance for its implementation, thereby promoting the high-quality development and upgrading of the manufacturing industry. The evolution of intelligent manufacturing is reviewed across three stages: rule-based automated manufacturing, data-driven digital intelligent manufacturing, and embodied-intelligence-enabled intelligent manufacturing. From the perspectives of interaction models, key technical elements, and architectural frameworks, a technical system for embodied intelligence-driven intelligent manufacturing is constructed, emphasizing core technologies such as multimodal industrial data fusion and perception, embodied-intelligence-enabled intelligent manufacturing powered by foundation models, force control, and robotic motion planning. Embodied intelligence drives the development of intelligent manufacturing from the aspects of production, warehousing and logistics, inspection and maintenance, and human‒robot collaboration. However, it also faces practical challenges, including limitations due to a lack of multimodal data, difficulties in perception and understanding in complex manufacturing environments, application security risks caused by AI hallucinations, bottlenecks in software‒hardware integration, and compliance issues caused by the absence of ethical and legal standards. The study proposes the following recommendations: intensifying technical research to overcome key bottlenecks, improving the industrial ecosystem to promote real-world application, establishing standards to ensure production safety, and expanding application scenarios to unlock new market opportunities.

Graphical abstract

关键词

智能制造 / 具身智能 / 数据融合 / 大模型 / 人机协作

Key words

intelligent manufacturing / embodied intelligence / data fusion / foundation models / human‒robot collaboration

引用本文

引用格式 ▾
袁依格,何卓丰,李威,胡东滨. 具身智能驱动的智能制造应用发展研究[J]. 中国工程科学, 2025, 27(3): 67-82 DOI:10.15302/J-SSCAE-2025.04.016

登录浏览全文

4963

注册一个新账户 忘记密码

一、 前言

在全球制造业加速迈向智能化、数字化转型的背景下，智能制造已成为引领新一轮工业革命、推动产业升级和增强国际竞争力的核心路径[1]。智能制造的本质是通过新一代信息技术与制造技术的深度融合，实现制造过程的柔性化、精细化与智能化。我国智能制造体系初具规模，智能工厂、数字化车间、工业互联网平台等新型基础设施不断涌现，长江三角洲、珠江三角洲等地区已形成具有国际竞争力的智能制造产业集群。然而，我国智能制造仍处于由初级向高级迈进的关键阶段，存在智能水平不均衡、系统集成能力不足、高端技术依赖进口等突出问题[2]。在高质量发展和制造强国战略的驱动下，需要突破传统自动化与单一智能控制的技术边界，引入更具自主性和适应性的智能体系，以支撑复杂环境下制造任务的完成，实现由制造大国向制造强国的转变[3]。

具身智能作为人工智能与机器人学交叉发展的前沿方向，正逐步成为支撑智能制造高阶发展的关键技术基础。具身智能的核心在于可以赋予机器系统“感知 ‒ 决策 ‒ 执行”的闭环能力，使其能够基于自身身体结构与环境交互，实现复杂任务的自适应学习、协同操作与灵活应变，使制造系统具备更高的灵活性和自主性[4]。不同于传统人工智能的静态推理方式，具身智能强调智能体与环境之间的动态耦合关系，能够在非结构化制造场景中展现更高的鲁棒性与泛化能力。具身智能的引入，使智能制造从传统自动化生产迈向更高层次的自主化与智能化制造[5]。当前，具身智能在智能装配、柔性加工、预测性维护、无人物流、智能检测等场景中展现出显著的应用价值。例如，集成触觉感知与深度策略学习的协作机器人可以在复杂产品装配中实现微米级精度；基于语义理解与多模态输入的移动机器人系统可以在动态仓储环境中，实现路径自主规划与任务协同；结合具身建模与预测诊断的数字孪生系统可以提前识别设备异常，从而降低运维成本。随着应用的不断深入，具身智能在智能制造中的部署仍存在多模态数据融合困难、任务迁移泛化能力不足、软硬件协同不畅、伦理安全机制缺失等技术与应用瓶颈。

鉴于具身智能在制造领域的高度适配性与广阔发展前景，学术界和工业界亟需从系统架构设计、关键技术攻关、典型应用拓展等维度，深入开展具身智能与智能制造的耦合研究。本文系统梳理智能制造的发展演进，分析具身智能驱动的智能制造关键特征与核心能力，总结当前研究与实践进展，构建面向复杂制造场景的具身智能系统架构，并探讨当前应用难点与未来发展趋势，旨在为构建高自主、高灵活、高可信的下一代智能制造体系提供理论参考与技术支撑。

二、 智能制造的技术演进

（一） 基于规则的自动化制造

自动化制造作为智能制造的初级阶段，其核心特征是通过预设规则与程序来实现生产过程的自动化运行。该阶段主要依托可编程逻辑控制器[6]、数控机床以及监控与数据采集系统等关键设备[7]，通过程序化控制，实现机械设备的精确操作，从而有效替代人工完成重复性、高精度生产任务。

自动化制造在提升生产效率、保证产品质量、降低人工成本等方面具有显著优势，特别是在恶劣工况下仍能保持稳定运行[8,9]。但自动化制造系统仍存在显著局限性，如自动化系统缺乏足够的灵活性与适应性，难以应对复杂多变的市场需求；自动化系统的运行高度依赖人工预设规则，缺乏自主学习和优化能力；自动化系统对生产数据的利用率较低，未能充分发挥数据的潜在价值。这些局限性在一定程度上制约了自动化制造的进一步发展。例如，20世纪60年代末，美国Gerber公司开发了数控裁剪机GERBERcutter S-70，通过预设裁剪路径和参数，能够在短时间内精确裁剪大量布料，实现了对布料的高效利用。德国库卡系统有限公司为宝马、通用、克莱斯勒等汽车制造商提供了自动化焊接和装配系统，通过预设焊接路径和工艺参数，实现了车身部件的自动化组装。

（二） 数据驱动的数字化智能制造

数字化智能制造是在自动化制造的基础上，通过深度融合信息化与数字化技术，实现制造过程的数据驱动与智能优化（见表1）。数字化智能制造的核心是利用传感器网络[10]、工业互联网[11]、云计算平台[12]、大数据分析[13]、人工智能算法[14]等先进技术，对制造全流程进行实时监控、动态优化与精准预测，从而显著提升生产效率、降低能源消耗、减少资源浪费。

在数字化智能制造体系中，数据成为驱动生产系统运行的核心要素。以数字孪生技术为例，其通过构建物理制造系统的虚拟镜像，实现实时数据同步，能够对设备状态进行精准监控、支持预测性维护以及优化生产流程[15]。第五代移动通信（5G）技术与边缘计算的协同应用，显著提升了制造数据的传输速率与处理效率，进一步增强了制造系统的实时响应能力[16]。数字化智能制造在技术上已取得显著进展，但在实际应用中主要依赖预定义的规则与模型，缺乏更高层次的自主认知与推理能力，距离实现真正意义上的智能制造仍存在一定差距。例如，三一集团有限公司对其建筑面积达1×105 m2的厂房实施了智能制造升级，涵盖混凝土机械、路面机械、港口机械等多条装配线；改造后，该工厂通过物联网技术实现了多源异构数据采集，构建了全面集成的工业互联网络，推动了部门业务协同与应用的深度整合。盛泰光电科技股份有限公司基于DataEase开源数据可视化分析平台，搭建了实时数据处理与展示的平台；该平台支持动态仪表板，实时监控生产和业务运营数据，管理人员可以根据数据进行决策，优化生产流程。武汉华工赛百数据系统有限公司研发了基于数据驱动的工厂数字孪生仿真优化系统，实现了生产制造全要素与全流程的数字化映射、仿真、监控、诊断、预测和优化。北京奔驰汽车有限公司开发了基于工业互联网技术的大数据平台，打通了跨系统数据隔离和海量设备的互联互通，实现了数据驱动的智能制造。

（三） 具身智能赋能的智能制造

具身智能制造作为智能制造的高级阶段，核心是赋予机器类人化的认知能力，使其能够模拟人类的感知、理解、学习与决策过程。基于具身智能的制造系统不仅能够感知环境并分析多源数据，还能够执行复杂的认知推理与自主决策，从而显著提升制造系统的智能化水平[17]。

具身智能机器人通过多模态感知技术，能够以类人化的方式完成精细装配、质量检测等高精度任务，从而大幅提高生产效率和自动化水平[18,19]。具身智能技术通过多模态感知与自适应学习能力，显著提升了机器对人类指令与环境变化的理解和响应能力，从而推动了人机协作的深度融合。这种多模态交互不仅优化了机器对自然语言指令的识别与执行，还增强了其在复杂制造场景下的环境适应性与任务协同效率，进一步提升了制造过程的灵活性与自主性。具身智能与人形机器人、自动化机器人产线的融合发展，使智能制造从单纯数字化控制向更深层次自主化和适应性迈进。人形机器人依托具身智能，可以实现对人类行为的精细模仿与协作；自动化机器人产线通过融合具身智能技术，可以增强设备在复杂工况下的适应性。未来，随着技术的不断突破，具身智能制造将进一步深化人机协作，推动群体智能与分布式制造等更高层次的智能化生产模式发展，为制造业的转型升级提供持续动力[20]。

例如，墨现科技（东莞）有限公司于2024年推出了指腹压力传感器；该传感器具备96个独立传感点，触发力度仅为3.5 g，能够帮助机器人精确识别被接触物体的轮廓与姿态信息，从而实现精细抓取和操作。研华科技（中国）有限公司开发的智能体通过零代码开发和多模态分析，实现了生产效率和品质管理的显著提升。梅卡曼德（北京）机器人科技有限公司利用人工智能视觉技术，引导机器人完成锂电池模组的精确装配。深圳市优必选科技有限公司的Walker S系列人形机器人被应用于新能源汽车工厂，承担复杂的装配和检测任务。华为技术有限公司与深圳华龙讯达信息技术股份有限公司联合开发了融合具身智能技术的自动化生产线，深度集成人工智能、机器人、传感器及控制技术，实现了设备、生产、物料与质量的高效管理。

三、 具身智能驱动的智能制造技术体系

（一） 具身智能驱动的智能制造交互模型

“具身智能体”是一种能够在环境中以物理或模拟形式存在，通过集成感知、认知、动作与学习能力，在与环境持续交互中逐步形成适应性行为的智能体。具身智能驱动的智能制造系统以具身智能体为核心，形成了“感知 ‒ 决策 ‒ 执行 ‒ 反馈”的闭环交互过程。如图1所示，该交互模型涵盖人类、机器与环境三者之间的密切协作与信息交互。通过人类的指导、机器的协作与环境的反馈，这种具身智能驱动的交互模型可以形成高效闭环，显著提升智能制造系统的柔性、响应速度与自主决策能力，实现更加高效、敏捷与智能化的制造过程。

人类在智能制造过程中主要承担监督和指导角色，负责向具身智能体下达明确的任务指令[21]。具身智能体则依托自身的感知能力，从环境中实时采集并获取数据，及时捕获生产过程中的变化与异常情况。随后，具身智能体通过内置决策模块分析和处理感知到的数据，生成相应的决策方案。在决策形成后，执行模块将根据决策方案推动行动的实施，并向人类反馈执行结果。

在实际行动执行阶段，具身智能体与机器之间持续保持双向的信息交互。一方面，具身智能体生成精准的指令，实时控制机器设备的运行；另一方面，机器向具身智能体反馈执行过程中产生的状态信息和结果数据，帮助具身智能体持续优化决策策略。这种动态的信息反馈机制可以确保在智能制造过程中具身智能体与机器设备之间可以精准、高效交互。

环境作为具身智能体感知的重要信息来源，不断向智能体提供生产场景更新与环境变化的信息。具身智能体对环境信息感知的准确性直接影响其决策与执行效果。同时，具身智能体的执行行为又会作用于环境，引起环境状态的不断更新。这种循环交互进一步增强了具身智能体持续学习与自适应的能力，使智能制造系统在面对复杂与动态生产场景时具备更强的韧性和适应性。

（二） 面向智能制造的具身智能技术要素

1. 多模态制造业数据融合感知技术

在面向智能制造的具身智能技术体系中，多模态制造业数据融合感知技术是实现环境感知、状态识别与智能决策的核心能力之一[22]。该技术通过集成来自制造现场的多种感知源，如摄像头、麦克风、雷达、传感器等，构建起多模态、异构数据的全面感知体系。这些数据在采集后，需经过高效的预处理流程，包括去噪与滤波、特征提取与标准化、时间同步、压缩与降维、时序与空间建模等环节[23]，以适应制造现场对实时性与计算效率的严格要求，并借助边缘计算、云计算及高性能计算平台进行高效调度与处理[24]。多模态制造业数据融合感知技术架构如图2所示。

多模态数据融合可以划分为数据级融合（前融合）、特征级融合（深度融合）以及目标级融合（后融合）3个层次。数据级融合直接在原始数据层面进行组合，适用于数据源高度耦合的场景；特征级融合则通过各自模态的编码器提取语义特征后进行深层次建模与联合学习；而目标级融合则在各模态独立识别的基础上融合识别结果，适用于模块化系统架构和低资源耦合场景。融合模型通常基于深度神经网络架构进行设计，具备自适应特征提取与多模态对齐能力，可以有效提升制造系统在复杂场景下的感知准确率与鲁棒性。

在增材制造过程中，可以融合声学传感器、红外热像仪、视觉摄像头和激光扫描仪的数据，构建数字孪生模型，实现对制造过程的实时监控和缺陷预测[25]。通过多模态数据融合，系统能够在制造过程中及时识别并修复缺陷，提高产品质量和生产效率。在先进制造过程中，采用自监督学习方法，将视觉图像、音频信号、激光位置和功率测量等多模态传感器数据进行融合[26]，从而提高对制造过程的监测能力，更好支持过程控制、异常检测和质量保证等任务的完成。

2. 基于大模型的具身智能制造技术

具身智能制造系统强调将“感知 ‒ 认知 ‒ 决策 ‒ 执行”能力深度集成于物理制造过程中，实现面向复杂任务环境的自主适应与智能控制。基于大模型的具身智能制造技术框架如图3所示。该技术框架从感知层、认知层、决策执行层等方面系统描述了大模型在具身智能制造中的作用机制，体现出制造系统从数据驱动向语义驱动、从规则控制向策略生成的关键跃迁[27]。

在感知层面，具身智能制造系统集成图像、声音、温度、力觉、工艺参数等多模态传感器数据，通过引入基于Transformer架构的多模态编码器，将数据映射到语义空间以进行统一嵌入表示[28]，完成从原始信号到语义空间的结构化映射。这一过程构建了制造系统对物理现场的多角度、语义化理解基础，为认知建模提供了高质量输入。在认知层面，制造系统依托制造任务知识图谱、制造工艺流程图与制造任务树等结构[29]，将生产任务中的状态演化路径、任务依赖关系以及典型故障因果链进行建模与表达。通过引入大模型的图结构推理能力与因果关系建模机制，制造系统能够基于实时感知状态实现对任务变更、工艺扰动与潜在故障的多层级认知和预测分析，从而支持动态任务调整与决策生成。在决策层面，融合大语言模型与基于Transformer的决策模型，制造系统可以根据认知结果生成一系列决策序列与操作策略，包括装配路径规划、调度指令生成、加工参数自适应调整等。上述策略可直接驱动下层执行实体，如协作机器人、自动导引车辆（AGV）、焊接机器人、移动机器人等完成对应任务，最终实现制造执行系统的闭环自主运行。

通过整合大模型，机器人能够理解复杂的指令并自主执行多样化任务。例如，研究人员利用GPT-4等模型，使机器人能够将用户指令和环境数据转化为可执行的步骤，提升了任务执行的灵活性和准确性[30]。例如，Figure AI公司与宝马汽车有限公司合作，将具备大模型能力的人形机器人应用于汽车制造，使机器人能够自主学习并执行复杂的装配任务，提升了生产效率和灵活性。

3. 力控制技术

力控制技术是实现智能制造场景中机器人具身智能的重要支撑之一，通过构建力感知、反馈控制、行为规划以及智能优化决策的集成技术框架，可显著提高机器人作业的柔顺性、精度与智能化水平[31]。面向具身智能制造的力控制技术框架如图4所示。在智能制造场景中，力控制技术不仅保障了机器人作业的精度与稳定性，更能实现复杂装配、精细打磨、柔性抓取等高级任务，有效弥补传统位置控制技术在应对外界扰动和未知环境中的不足。

从技术实现角度看，面向具身智能的力控制技术的核心模块为力感知、力反馈控制、行为规划、智能优化和应用场景模块。力感知模块通过安装于机器人末端或关节的高灵敏度力传感器，实现对环境力、接触状态的实时感知。力反馈控制模块则依据感知信号，通过阻抗控制、柔顺控制或混合力位控制等策略，使机器人可以动态调整末端刚度和位姿，实现稳定的环境交互。行为规划模块则综合考虑作业任务、环境约束与机器人的动态特性，生成实时优化的力控制参考指令，以提升任务执行效率与安全性[32]。智能优化模块主要负责在复杂、动态的制造环境中实现机器人控制策略的自我演进与持续优化。通过集成强化学习、深度学习等人工智能技术，智能优化模块能够不断从历史操作经验中学习并适应任务变化，提升机器人在力控制任务中的泛化能力，推动鲁棒性先进的演示学习算法逐渐融入力控制技术框架中，用于应对高度不确定的环境和任务变化，进一步提高机器人的自适应能力[33]。应用场景模块聚焦于具身智能力控制在典型制造任务中的实际落地与效能体现，包括精密装配、柔性抓取、智能打磨等关键工艺场景。应用场景模块通过集成上述各模块能力，确保加工质量的一致性与过程安全性，为智能制造提供可靠支撑。

在精密装配领域，通过引入力控制技术，机器人可自主适应零件的公差差异，实时调整装配力度，有效降低了装配失败率与零件损伤率。例如，上海非夕机器人科技有限公司的Rizon机器人通过力控制技术，实现了对精密电子组件的高效装配，提升了生产效率和产品质量。在复杂曲面加工和柔性打磨场景中，力控制技术赋予机器人精细且平稳的作业能力。上海赛威德机器人有限公司的自适应打磨抛光工具可以与协作机器人结合，进行结构钢、超强钢焊缝的打磨以及处理铸铝件抛光等工艺，显著提高了加工效率和质量。

4. 机器人运动规划算法

在智能制造领域，机器人运动规划算法被视为实现机器人系统自主、高效与高精度操作的核心支撑技术之一[34]。该类算法旨在使机器人能够在动态、复杂的环境中实现自主路径规划，规避潜在障碍，并生成最优的运动轨迹以完成预定任务，从而保障生产任务的顺利进行。

机器人运动规划一般包括路径规划与轨迹生成两个主要阶段[35]。路径规划关注于从起点至目标点生成一条可行路径，核心是环境建模与搜索策略的设计。当前常用的方法主要有采样型算法与启发式搜索算法两大类。其中，快速探索随机树作为典型的采样型算法，能够在高维空间中高效探索可行路径[36]；启发式搜索方法如A*算法，可以综合路径代价与启发式评估函数，已广泛应用于结构化环境下的路径规划任务[37]。在路径确定之后，轨迹生成模块进一步考虑机器人系统的动力学约束与执行器特性，对路径进行动态可行性调整和连续优化，生成平滑、稳定、可实时执行的轨迹。常见的轨迹生成方法包括基于梯度优化的最短路径生成技术、模型预测控制等。近年来，深度强化学习等人工智能方法逐步引入该领域，通过端到端学习实现轨迹生成与环境适应性的同步优化，显著提升了系统在非结构化和动态环境中的规划效率与泛化能力。

该类算法已在实际制造系统中展现出显著的应用成效。在工业制造场景中，机械臂面临狭小空间内的精密装配作业需求。结合A*算法进行路径规划和轨迹优化，制造系统可生成符合动力学约束条件的运动轨迹，实现高精度避障与定位，从而有效提升装配质量与自动化水平。在智能交通领域，自动驾驶车辆需在复杂的城市环境中实现安全导航，通过采用快速扩展随机树算法构建路径规划模块[38]，并结合车辆动力学模型进行轨迹生成，可实现对障碍物、交通规则等多因素的动态响应，生成安全、平稳且高效的行驶轨迹，为无人驾驶系统的可靠运行提供有力保障。

（三） 具身智能驱动的智能制造技术框架

具身智能驱动的智能制造技术框架由物理层、数据层、算法层、感知层、决策层、执行层和反馈层7个层次构成，涵盖从底层物理设备到高层反馈优化的完整技术链路，如图5所示。该技术框架体现了物理设备支撑、数据智能驱动、多模态感知融合、自主决策执行以及持续反馈优化的高度一体化特征，有效支撑了智能制造系统高效、柔性、敏捷的运行与持续升级。

（1）物理层：作为技术框架的基础支撑，包含协作机器人、AGV、3D打印机、工业机械臂等制造设备，以及视觉、听觉、位置、力觉等多种类型的传感器与嵌入式计算设备。物理层为具身智能系统提供了实现精准操作和数据采集的物理基础。

（2）数据层：负责采集、处理和管理制造生产过程中产生的数据，包括设备运行状态数据、生产环境参数、工艺流程数据、设备故障历史数据和场景交互数据等。数据层承担数据的标准化存储与预处理工作，是支持智能决策的核心基础。

（3）算法层：依托数据层提供的数据资源，集成多模态感知融合算法、环境建模算法、运动规划算法、路径规划算法，以及监督学习、强化学习和迁移学习等先进人工智能技术，提升具身智能的计算推理能力。

（4）感知层：作为智能制造系统理解生产环境的核心，通过高精度图像采集、环境建模、路径规划和多模态数据融合，实现对复杂制造环境的精准感知。整合摄像头、麦克风、雷达等数据，提升环境识别精度与动态适应能力。

（5）决策层：基于感知层提供的信息，进行数据理解与分析、自适应学习、推理与决策、资源任务协同优化。该层主要应用知识图谱决策优化算法、智能推理方法和动态规划技术等，生成符合实时生产要求的决策序列。决策层负责在复杂制造场景下进行智能化分析与任务规划。

（6）执行层：通过智能机器人模块、智能制造装备模块、传感器模块、人机交互与协作模块等，结合智能主动控制技术、精密感知技术以及实时监控与反馈技术，实现决策方案的高效、精准执行，保障生产活动的顺畅运行。

（7）反馈层：对系统运行状态进行监测与分析，涉及数据处理、状态分析与异常检测、实时通信交互、数据存储与反馈机制。通过多模态感知融合、异常检测与故障诊断、实时控制与通信技术，实现对制造过程的持续监控、实时反馈和闭环优化，以不断提升智能制造系统的性能与可靠性。

四、 具身智能对智能制造的赋能作用

（一） 具身智能革新生产制造模式

具身智能驱动的智能制造技术正在深刻变革传统制造业的生产模式，推动其向智能化、柔性化和高效化方向加速演进。作为一种融合人工智能与物理实体的前沿技术，具身智能通过赋予机器感知、决策与执行等多维能力，使智能制造系统能够精准感知生产过程中的各类信息，并基于实时反馈优化生产参数与工艺流程，为制造业的智能化转型提供强有力的技术支撑。这一技术的广泛应用不仅提升了生产过程的自动化程度，还增强了制造系统的适应性和自主优化能力，为制造模式的智能化升级奠定了坚实基础。

在精密制造领域，具身智能技术展现出卓越的应用价值。在电解铝炭块打磨工艺中，中原动力智能机器人有限公司将具身智能技术集成于工业机器人中，使其能够基于工件的几何特征、尺寸参数和空间位置等关键变量，自主调整打磨力度与运动轨迹。这一技术创新显著提高了打磨过程的精度与稳定性，减少了人工干预，提高了整体生产效率。具身智能的自适应能力使机器人能够在复杂工况下维持高精度作业，进一步提升了产品质量的一致性。在柔性制造领域，具身智能设备凭借快速学习与自适应能力，可以有效应对传统生产线在多品种、小批量生产模式下的适应性不足问题[39]。常州微亿智造科技有限公司研发的智能工业机器人系统可将生产线调试周期从传统的一周缩短至数小时，极大提升了生产系统的响应速度与运行效率。这一能力对于需求波动较大的制造环境尤为关键，使企业能够更灵活地调整生产节奏，以适应快速变化的市场需求。同时，具身智能技术在危险生产环境中也展现出突出的安全性优势。传动设备（天津）有限公司正在探索研发的人形机器人系统可替代人工完成喷涂作业，不仅可以有效规避气雾污染、易燃易爆等安全隐患，还能通过标准化控制提高作业质量的一致性。

（二） 具身智能助力仓储物流升级

具身智能在物流与仓储领域的广泛应用涵盖仓储管理、物流配送等多个关键环节，对推动制造业的智能化升级具有重要意义。在仓储管理方面，具身智能技术的深度融入主要体现为智能仓储机器人与自动化设备的广泛应用。这类机器人能够自主完成货物的搬运、存储及拣选任务，大幅提升仓储作业的效率与准确性。轮式机器人凭借其卓越的机动性和灵活性，在物流仓储环境中得到广泛应用[40]；通过集成激光雷达、视觉传感器等先进感知设备[41]，能够实现自主导航与环境识别，即便在复杂的仓储环境中也能高效、稳定运行，有效减少了人为误差，还显著提升了仓储管理系统的智能化水平。

在物流配送领域，具身智能同样展现出显著的应用价值。随着自动驾驶技术的不断发展与突破，自动驾驶物流车辆正逐步成为现代物流配送的重要工具[42]。这类车辆依托实时交通信息、路径规划算法和自主决策能力，可自主选择并优化配送路线，从而有效减少了运输时间与运营成本。AGV作为具身智能在物流配送中的典型应用，凭借自主导航、路径规划及避障功能，实现了仓储环境内物料的高效搬运与精准分拣，在智能制造环境中展现出极大的应用潜力和产业价值[43]。具身智能技术在提升仓储与物流环节的安全性和可靠性方面也发挥着关键作用。借助物联网技术，具身智能系统能够实时监测货物的温度、湿度、载荷等关键参数，确保物流配送与仓储过程中货物的安全存储与运输。这一技术的应用不仅提高了供应链的可追溯性与透明度，也增强了系统运行的整体稳健性。

（三） 具身智能保障检测维护稳定

通过将感知、学习和行动能力深度融合于物理实体，具身智能系统能够自主执行高度复杂的设备检测与维护任务，显著提升生产效率和设备运行的可靠性。传统的设备维护方式往往依赖于周期性检修或设备发生故障后的被动维修，这种方法不仅存在潜在的停机风险，也可能增加发生意外事故的概率和维护成本。具身智能系统可以通过集成于设备内部的嵌入式传感器实时获取设备运行的关键状态数据，包括振动、温度、电流等运行参数，并结合先进的机器学习算法进行数据挖掘与分析，从而实现对设备潜在故障的精准预测并提前干预。这种预测性维护策略显著减少了非计划停机的次数，延长了设备使用寿命，降低了维护成本。优艾智合机器人科技有限公司开发的智能运维大模型已成功应用于渤海油田的实际生产场景，通过对设备运行状态实时数据的持续监测与分析，有效提高了故障预测的准确性，降低了非计划停机带来的生产风险，保障了生产过程的稳定与持续运行。

具身智能技术在复杂、高风险环境下的自主检测与维护任务中展现出独特优势。在核电站、深海石油平台等对人类作业风险较大的场景中，具身智能机器人凭借其高度的自主导航能力与智能感知能力，可以取代人工完成危险环境下的设备检测与维护工作。这些机器人能够自主感知环境变化，实时识别并有效应对异常情况，从而显著提高了作业的安全性、准确性和效率，保障了工作人员的安全，提升了整体维护工作的效率与质量。

（四） 具身智能增强人机协作

在工业5.0的理念指导下，制造业正朝着“以人为中心”的方向发展，强调人机协同以提升生产效率与灵活性[44]。具身智能通过智能体与物理环境的深度交互，实现人类与机器在动态场景中的无缝协同。这种技术突破了传统人机交互的界面限制，将智能体的感知、决策与行动能力嵌入到物理实体中，使其能够像人类一样理解环境、预测意图并自主调整行为模式。

人机协作不仅提升了制造流程的智能化水平，还改善了工人的工作环境与生产效率[45]。在人机协作场景中，具身智能不仅能提升机器人对复杂任务的适应性和执行力，还能增强其与人类的交互质量，如通过模仿人类动作、感知情绪变化或语言语境，实时调整协作策略，实现任务分工与协同决策的优化。在工业制造场景中，配备多模态传感器的机械臂能够通过触觉反馈实时感知装配部件的微应力变化，结合视觉系统对工人手势的意图解析，自主调整施力角度和速度，在避免碰撞的同时完成高精度配合[46]。脑机接口与具身系统的结合使人类可以直接通过神经信号调控机器人动作，而机器收集的环境数据又经视觉、触觉反馈刺激强化使用者的空间感知能力。具身智能正在重新定义“人机边界”，使人、机之间的协作模式更加智能化与人性化，使智能体不再是工具而是具备环境适应性的合作伙伴，实现从明确指令到默契配合的范式跃迁。

五、 具身智能驱动的智能制造应用难点与发展趋势

（一） 具身智能驱动的智能制造应用难点

1. 多模态数据缺乏，制约实际应用成效发挥

多模态数据指通过不同传感器或数据源采集的多种类型数据，如图像、声音、触觉、温度等信息[47]。在具身智能制造领域，机器感知、决策与执行的闭环反馈机制是实现智能化制造的关键，而这一闭环系统的构建亟需大规模、多源、高质量的多模态数据作为支撑。受限于数据采集、处理和标注的技术瓶颈，具身智能在智能制造中的实际应用效果仍存在显著局限。

多模态数据的匮乏严重制约了具身智能系统对复杂制造环境的理解与适应能力。在智能制造过程中，机器人或智能系统需要整合视觉、力觉、声音、温度、振动等多维度感知数据，实现对目标物体的精准识别、操作场景的准确理解以及任务执行策略的实时调整。以柔性制造生产线为例，机器人不仅需要识别不同形状、材质和颜色的零部件，还需精确感知其力学特性，从而确保装配过程中不会对产品或装配质量造成损害[48]。现有数据集多集中于单一模态，如计算机视觉领域的目标检测或手眼协同任务，缺乏对力觉、声音等信息的深度整合，这直接导致具身智能系统在现实制造环境中的性能表现与预期存在显著差距。

多模态数据在采集与标注方面面临的技术挑战进一步加剧了数据匮乏问题。在智能制造场景中，高质量多模态数据的获取通常依赖于高精度三维扫描仪、力传感器和红外光谱成像设备等昂贵的工业级传感器[49]。由于制造环境的动态特性和任务的高度定制化，采集到的数据往往具有较强的时效性和场景依赖性，导致其通用性较差；此前，在不同工厂或不同产品的生产批次之间，即使是同一类型的制造任务，其数据分布也可能存在显著差异，这使得已有数据难以直接迁移应用。

多模态数据的融合与处理面临着算法复杂度和计算资源的双重挑战。多模态数据通常具有高维度、异构性和非结构化等特征，进一步实现这些数据的有效融合并提取有价值的信息是亟待解决的关键问题。现有机器学习算法在处理单一模态数据时表现出色，但在多模态数据融合方面仍存在明显不足，如图像和声音数据在特征空间上存在显著差异，直接融合可能导致信息丢失或冗余。

2. 复杂制造环境增大感知理解难度

制造环境的复杂性主要表现为动态性与多变性[50]。在实际生产过程中，工件种类繁多，形状、材质各异，且其摆放位置与姿态可能随机变化；设备故障、工艺参数波动等不确定因素频繁发生，对系统的感知能力与适应性提出了极高要求。当前的感知技术在处理如此复杂多变的制造场景时仍显不足，难以及时、准确地获取环境信息，从而制约了具身智能系统的实际表现。

在物理环境层面，制造车间普遍存在光照不均、粉尘干扰、电磁噪声等现实问题，会严重影响具身智能系统视觉、听觉等感知模块的数据质量。在焊接车间环境中，强光和粉尘易引起图像质量下降，影响目标的视觉检测和识别。机械设备运行时产生的持续振动、电磁干扰以及粉尘环境，也可能使力觉、声音或其他类型传感器出现信号失真，降低感知模块的准确性与可靠性。由于制造对象材质差异较大，各类工件的表面反射特性迥异，增加了基于视觉的目标检测与定位的难度。一些制造环境中还可能存在高温、高压或腐蚀性介质等极端条件，对传感器的性能稳定性及长期运行可靠性提出了更加严苛的要求。

制造任务的高精度需求进一步加大了具身智能系统的感知挑战。在工业生产中，尤其是精密制造领域，往往需要达到微米甚至更高精度的定位与操作要求，这要求感知系统具备更高的精细化感知能力，精准捕捉物体的微小特征及位置的变化情况。然而，现有感知技术在空间分辨率和检测精度方面仍存在局限，难以有效识别并处理制造过程中微小但关键的变化，进而影响后续决策和动作执行的质量。

动态操作场景的不可预测性显著增加了系统对环境感知与理解的难度。在柔性制造系统中，生产线上的工件种类、位置与姿态往往呈现随机变化，如工件可能因传送带振动或机械臂动作的影响出现微小位姿偏移，若不能及时感知并调整相应策略，将导致后续制造步骤的失败或生产效率降低。

3. 人工智能幻觉导致应用安全风险

具身智能驱动的智能制造的核心是通过人工智能技术实现物理设备与数字系统的深度融合，以提升生产效率、优化资源配置，实现智能化决策。在这一过程中，人工智能幻觉问题逐渐凸显，成为制约智能制造应用安全的重要瓶颈。人工智能幻觉指人工智能系统在感知、决策或执行过程中所产生的错误认知与判断[51]。在智能制造的实际应用场景中，此类幻觉可能引发显著的安全风险，甚至导致生产事故与经济损失。

人工智能幻觉在智能制造系统感知环节带来的风险表现尤为突出。智能制造系统通常依靠大量的传感器与数据采集设备获取环境信息，并通过人工智能算法进行数据处理和分析。当传感器数据含有噪声或出现异常时，人工智能系统可能基于不可靠的数据得出错误判断。这种幻觉现象不仅影响产品质量，还可能引起生产线停机、设备损坏等故障。更为严重的是，在涉及高温、高压或危险化学品处理等关键安全环节，一旦人工智能系统因幻觉产生误判，甚至可能直接威胁生产操作人员的人身安全。

人工智能幻觉在决策环节所带来的风险同样不容忽视。智能制造系统中的人工智能算法通常用于优化生产流程、预测设备故障和制定生产计划，建立在历史数据与预训练模型的基础上；当算法训练数据存在偏差或不完整时，决策结果可能出现严重偏差。在面对未见过或未训练过的复杂情况时，人工智能系统的决策能力可能会明显下降，进而产生不符合实际情形的决策，影响整个生产系统的稳定性与可靠性。

在执行环节，具身智能系统需要做出决策，还需要通过物理设备实现这些决策。此类系统通常与物联网设备、传感器网络及控制系统紧密集成，构成复杂的信息物理系统，如果传感器数据遭遇异常甚至恶意篡改，人工智能可能由此产生幻觉，继而导致错误决策并执行，最终引发生产事故或质量问题。

4. 软硬件结合问题影响智能能力提升

具身智能驱动的智能制造发展面临软硬件异构协同的结构性障碍。具身智能系统强调智能体通过多模态感知 ‒ 行动环路实现物理世界的自主交互，要求软件算法与硬件设备在时空一致性、信息耦合度及控制精确性等维度建立深度互适应机制。但传统制造系统的硬件架构与智能化算法的软件需求之间存在显著的适配性鸿沟，严重制约了智能能力的全面提升。

软硬件适配性不足问题显著影响了智能系统的实际表现。人工智能算法通常在虚拟仿真环境或理想化数据集上进行开发和训练，当这些算法迁移到真实制造场景时，真实环境与理想环境之间的差异、硬件设备的局限性会导致算法性能难以充分发挥。此外，一些在理想条件下具有高精度的视觉识别算法部署于工业机器人时，受摄像头分辨率限制、镜头畸变、机械臂运动精度不足等影响，识别与控制效果难以有效发挥。

软硬件系统的兼容性和接口标准化不足严重限制了智能制造系统的智能水平。当前制造领域存在大量来自不同厂商的传感器、执行器和控制系统，但软硬件之间缺乏统一的接口规范，导致信息交互过程复杂且易出错。软硬件系统的接口不兼容问题不仅增加了系统集成的难度，更削弱了算法的有效性和响应速度，使智能系统在实际应用中难以实现理想的动态适应能力。

软硬件系统在时间同步与实时控制方面的不足为具身智能应用带来了巨大挑战。智能制造环境要求算法能够快速感知、分析并决策，但硬件设备存在的响应延迟、数据传输延迟、算力不足等问题使系统无法实时完成精确的协同控制，导致智能决策难以高效地转化为执行。在高速生产线上，实时性控制不足带来的问题尤为突出，严重制约了生产效率的进一步提升。

5. 伦理法律缺失带来标准合规挑战

伦理规范缺失使具身智能应用面临多种潜在风险。尤其在智能制造中，智能体的自主决策与执行动作可能直接影响人员安全、产品质量乃至生产效率，但相关伦理责任的界定尚不明确。一旦系统因算法、感知失误带来事故或损失，责任归属问题仍然尚不明确[52]。这种伦理上的模糊性增加了企业的技术应用顾虑，成为推广具身智能的重大障碍。机器人系统与真实环境直接互动的特性，也可能因技术滥用或安全漏洞导致物理事故，涉及更加复杂的伦理与法律考量。

法律法规滞后显著阻碍了具身智能标准化的进程。目前，在全球范围内尚缺乏针对具身智能系统应用的统一法律框架与标准，监管机制缺位导致跨国部署与运营存在合规风险。企业在国际化生产中可能面临不同国家监管标准的差异与冲突，极大增加了技术应用中的不确定性与合规成本，制约了具身智能技术在全球市场中的规模化应用。

标准体系缺失引发技术应用的兼容性问题。由于当前缺乏统一明确的技术标准，不同厂商研发的具身智能设备在集成与互操作性方面往往存在障碍，难以形成协同效应。这种现状不仅限制了技术的综合效能，也增加了企业的开发成本与技术实施难度。特别是在具身智能技术评测标准方面，尽管已有相关探索，但仍存在训练数据规模有限、质量参差不齐、未能充分模拟真实生产任务场景等问题，迫切需要建立更加完善的任务知识库与评测工具，以提升技术的实用性和可靠性。

（二） 具身智能驱动的智能制造发展趋势

1. 应用场景持续拓展

具身智能驱动的智能制造逐步迈入快速发展的新阶段，其应用场景持续呈现出拓展和深化的趋势。从传统工业生产到“高精尖”制造领域，具身智能的技术优势日益显著。依托深度学习、强化学习等先进的人工智能方法，具身智能体逐步实现复杂动态环境下的自主决策与精准执行。随着技术进步和产业融合进程的加速，具身智能逐渐完成从实验室研究向工业实际应用的转化，在汽车、电子、机械等传统制造领域得到了高效的落地应用，同时在高端装备、新能源、航空、航天、医疗健康等前沿领域中实现了深度渗透。具身智能依靠多模态融合感知、自主决策优化与精准执行控制等核心技术，不断推动制造过程智能化程度的提升，显著增强了制造系统的柔性、敏捷性和自主适应能力。

2. 人机协作更为深入

在传统的人机协作模式中，机器人通常仅能够执行预设的固定任务，难以满足动态变化的复杂生产需求。具身智能的引入显著提升了机器人系统的感知、学习与适应能力。基于先进的多模态感知技术，机器人能够实时感知并精准理解生产环境及人类操作者的行为意图，进而动态优化自身的行动策略，实现更加高效、安全的协作效果。随着智能制造技术的迅速发展，人机交互与协作方式逐渐超越传统制造环境下单纯的设备辅助和人工操控，转向一种更高层次的深度融合与主动协作模式，有效提升了生产过程中任务分配的合理性和作业效率，显著降低了人类工作负担以及生产活动中的安全风险，为智能制造体系朝柔性化、敏捷化、智能化方向发展提供了关键技术支撑。

3. 产业生态愈加成熟

随着技术的不断突破，越来越多的企业积极布局具身智能，覆盖从硬件制造到软件开发、从算法研究到应用场景拓展的各个层面，产业链各环节的协同效应逐渐凸显。从核心零部件研发与智能装备制造，到系统集成及具体场景的应用服务，各个环节间的协作效率显著提升，产业链上下游之间的整合与互动日益深入。此外，产业生态内部的企业、科研机构、政府部门和产业联盟之间的沟通与合作变得更加频繁和高效，不断促进技术创新与产业应用之间的良性循环，逐渐形成更具活力与竞争优势的产业生态环境。这种日趋成熟的产业生态将持续推动智能制造整体技术水平的提升，并为具身智能技术广泛应用和制造业高质量发展提供强大的支撑。

六、 具身智能驱动的智能制造发展建议

（一） 加强技术攻关，突破关键瓶颈

具身智能在工业制造场景中的应用潜力已初步展现，但在多模态融合感知、复杂环境认知与决策、自主持续学习等关键领域仍面临严峻挑战，制约了制造业的自主创新能力与国际竞争力提升。建议加快推进机器人复杂环境下的动态认知与实时决策技术攻关，依托国家级技术创新平台，着力研发具备高效实时推理和决策能力的智能算法与模型，显著增强机器人在高度动态、不确定制造环境下的自主规划和灵活执行能力。聚焦制造过程中的实时人机交互、自主持续学习和智能感知等前沿科学难题，建立跨学科、跨领域、跨行业的协同创新体系，构建国家级创新联合体与示范基地，推动大模型等通用人工智能技术与工业领域专用知识深度融合，建立面向工业制造场景的高效泛化模型和技术标准体系。支持搭建工业制造领域专用的大规模具身智能训练平台与性能评测基准，推动智能制造技术从基础感知阶段逐步向认知推理与高阶自主决策阶段迈进，全面提升制造系统的智能水平和国际竞争优势。

（二） 完善产业生态，推动应用落地

具身智能在智能制造领域的深入应用，亟需构建更为系统化和完善的产业生态体系。建议从国家战略高度加快构建覆盖具身智能全产业链的协同创新网络，形成涵盖基础理论研究、关键技术攻关、成果转化应用及规模化推广的闭环生态，推动“产学研”紧密融合与协同共进。在国家层面，加强统筹布局，积极引导具身智能领域的核心技术企业、高校、科研院所、系统集成商与终端制造企业，构建国家级产业创新联盟与技术创新中心，形成技术研发、产业应用与示范推广的高效联动体系。鼓励产业链龙头企业发挥牵引作用，牵头制定统一的具身智能技术标准、接口规范与数据协议，建立行业共性技术平台，推动上下游企业间技术互联互通与数据开放共享，打破“技术孤岛”与应用壁垒，降低系统集成复杂性与产业应用成本。加快建立完善的具身智能产业扶持政策与资金投入机制，通过设立专项基金与重大科技专项，重点支持前瞻性、战略性技术创新与示范项目落地；强化对重点区域产业集群的政策倾斜，引导产业资源与资本聚集，培育形成具身智能技术规模化应用与产业链协同创新的国家级示范园区。积极构建人工智能与先进制造融合的复合型人才培养体系，推进高校、科研院所与企业联合培养具备跨学科、复合型技能的高端人才队伍，为产业发展提供长远的人才战略保障。

（三） 制定标准规范，保障生产安全

具身智能制造系统涉及复杂的人机协作、自主决策和设备协同场景，传统工业安全标准难以对其非预期行为和智能决策风险进行有效识别与管控。建议国家相关部门联合行业协会、科研院所与龙头企业，制定面向具身智能制造系统特征的新型安全标准与技术规范，明确系统在设计、集成与运行过程中的安全要求、风险识别、评估方法及认证程序，特别是要针对智能体自主学习与决策过程中可能产生的非预期行为，制定前瞻性风险控制策略和安全防护机制。在国家层面，着力构建数据治理与安全保障规范，针对多模态感知数据的采集、传输、存储与处理全链条，制定统一的数据标准与安全框架；清晰界定数据权限、隐私保护与信息共享的标准化规则，保障数据安全合规。加快建立国家级第三方检测认证机构，开展具身智能制造系统的全面安全检测、评估与认证服务，确保其在部署的全生命周期内始终满足高标准的安全性、稳定性和可控性要求。构建涵盖标准制定、风险管理、认证监管的完整标准化生态体系，有效规避具身智能系统在复杂工业环境应用中的潜在风险，为产业发展筑牢安全防线。

（四） 拓展应用场景，开辟市场空间

具身智能在协作装配、智能质检与仓储物流等典型制造环节中已初步展现出应用成效，但整体应用范围仍较为有限，尚未形成广泛覆盖制造全流程的系统化能力。为进一步释放具身智能的技术与市场潜力，建议着眼产业高质量发展全局，突破传统工业应用场景局限，系统性地挖掘与培育跨行业、跨场景的规模化应用示范，推动具身智能技术从辅助生产环节向制造核心环节的全面嵌入转变。

聚焦重点产业领域的技术痛点与需求瓶颈，通过国家示范工程与专项支持政策，加快具身智能在航空、航天、汽车制造、高端装备、新能源与电子制造等关键制造领域的深入应用。加强顶层设计，支持具身智能与大模型驱动的知识推理、工业互联网的资源调度和5G、边缘计算等先进技术的融合创新，构建标准化、模块化和可复用的具身智能制造解决方案平台，显著增强制造系统的场景适配性与柔性响应能力，形成覆盖多元制造需求的技术与服务供给能力。在场景拓展过程中，积极构建创新性的商业模式，既支持具身智能在重大装备与战略性新兴产业中的先导性、高端化应用，发挥产业引领作用，也要推动面向中小企业、传统制造业领域的普惠化、标准化解决方案的开发与推广。通过政策引导、资金支持、示范引领与生态协同，逐步构筑具身智能技术应用的多层次、多维度市场体系。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

臧冀原, 刘宇飞, 王柏村, 面向2035的智能制造技术预见和路线图研究 [J]. 机械工程学报, 2022, 58(4): 285‒308.
[2]

Zang J Y, Liu Y F, Wang B C, et al. Technology forecasting and roadmapping of intelligent manufacturing by 2035 [J]. Journal of Mechanical Engineering, 2022, 58(4): 285‒308.
[3]

钟志华, 臧冀原, 延建林, 智能制造推动我国制造业全面创新升级 [J]. 中国工程科学, 2020, 22(6): 136‒142.
[4]

Zhong Z H, Zang J Y, Yan J L, et al. Intelligent manufacturing promotes the comprehensive upgrading and innovative growth of China’s manufacturing industry [J]. Strategic Study of CAE, 2020, 22(6): 136‒142.
[5]

周济. 智能制造——“中国制造2025”的主攻方向 [J]. 中国机械工程, 2015, 26(17): 2273‒2284.
[6]

Zhou J. Intelligent manufacturing—Main direction of“made in China 2025” [J]. China Mechanical Engineering, 2015, 26(17): 2273‒2284.
[7]

Cangelosi A, Bongard J, Fischer M H, et al. Embodied intelligence [C]//Kacprzyk J, Pedrycz W. Handbook of Computational Intelligence. Berlin: Springer, 2015: 697‒714.
[8]

Ren L, Dong J B, Liu S, et al. Embodied intelligence toward future smart manufacturing in the era of AI foundation model [J]. IEEE/ASME Transactions on Mechatronics, 2024, PP(99): 1‒11.
[9]

Alphonsus E R, Abdullah M O. A review on the applications of programmable logic controllers (PLCs) [J]. Renewable and Sustainable Energy Reviews, 2016, 60: 1185‒1205.
[10]

Liu W, Kong C P, Niu Q, et al. A method of NC machine tools intelligent monitoring system in smart factories [J]. Robotics and Computer-Integrated Manufacturing, 2020, 61: 101842.
[11]

Orlowski K. Automated manufacturing for timber-based panelised wall systems [J]. Automation in Construction, 2020, 109: 102988.
[12]

Ozgul E, Zeng W X, Sonkusale S. Automated fabrication of smart strain sensing threads [J]. Micromachines, 2024, 15(10): 1239.
[13]

Oztoprak A, Hassanpour R, Ozkan A, et al. Security challenges, mitigation strategies, and future trends in wireless sensor networks: A review [J]. ACM Computing Surveys, 2025, 57(4): 1‒29.
[14]

Li J Q, Yu F R, Deng G Q, et al. Industrial Internet: A survey on the enabling technologies, applications, and challenges [J]. IEEE Communications Surveys & Tutorials, 2017, 19(3): 1504‒1526.
[15]

Khan A U R, Othman M, Ahmad Madani S, et al. A survey of mobile cloud computing application models [J]. IEEE Communications Surveys & Tutorials, 2014, 16(1): 393‒413.
[16]

Wang J L, Xu C Q, Zhang J, et al. Big data analytics for intelligent manufacturing systems: A review [J]. Journal of Manufacturing Systems, 2022, 62: 738‒752.
[17]

Yang T, Yi X L, Lu S W, et al. Intelligent manufacturing for the process industry driven by industrial artificial intelligence [J]. Engineering, 2021, 7(9): 1224‒1230.
[18]

Li L H, Lei B B, Mao C L. Digital twin in smart manufacturing [J]. Journal of Industrial Information Integration, 2022, 26: 100289.
[19]

Cheng J F, Chen W H, Tao F, et al. Industrial IoT in 5G environment towards smart manufacturing [J]. Journal of Industrial Information Integration, 2018, 10: 10‒19.
[20]

Fan H L, Liu X, Fuh J Y H, et al. Embodied intelligence in manufacturing: Leveraging large language models for autonomous industrial robotics [J]. Journal of Intelligent Manufacturing, 2025, 36(2): 1141‒1157.
[21]

Gan D M, Caro S, Chen G M, et al. Special section: Theory and design of reconfigurable mechanisms and robots [J]. Journal of Mechanisms and Robotics, 2022, 14(6): 060301.
[22]

Xu J, Xie Y, Iida F. Embodied intelligence in additive manufacturing [J]. IOP Conference Series: Materials Science and Engineering, 2024, 1321(1): 012005.
[23]

Leng J W, Zhu X F, Huang Z Q, et al. Unlocking the power of industrial artificial intelligence towards industry 5.0: Insights, pathways, and challenges [J]. Journal of Manufacturing Systems, 2024, 73: 349‒363.
[24]

Wang T, Fan J M, Zheng P. An LLM-based vision and language cobot navigation approach for human-centric smart manufacturing [J]. Journal of Manufacturing Systems, 2024, 75: 299‒305.
[25]

Kong L B, Peng X, Chen Y, et al. Multi-sensor measurement and data fusion technology for manufacturing process monitoring: A literature review [J]. International Journal of Extreme Manufacturing, 2020, 2(2): 022001.
[26]

Sadooghi M S, Esmaeilzadeh Khadem S. Improving one class support vector machine novelty detection scheme using nonlinear features [J]. Pattern Recognition, 2018, 83: 14‒33.
[27]

Zhang Y M, Lan X L, Li Y, et al. Efficient computation resource management in mobile edge-cloud computing [J]. IEEE Internet of Things Journal, 2019, 6(2): 3455‒3466.
[28]

Jin L C, Zhai X Y, Wang K, et al. Big data, machine learning, and digital twin assisted additive manufacturing: A review [J]. Materials & Design, 2024, 244: 113086.
[29]

Zong Y S, Aodha O M, Hospedales T. Self-supervised multimodal learning: A survey [J/OL]. IEEE Transactions on Pattern Analysis and Machine Intelligence[2024-08-07]. https://ieeexplore.ieee.org/document/10630605.
[30]

Zhang C, Xu Q F, Yu Y R, et al. A survey on potentials, pathways and challenges of large language models in new-generation intelligent manufacturing [J]. Robotics and Computer-Integrated Manufacturing, 2025, 92: 102883.
[31]

任泽裕, 王振超, 柯尊旺, 多模态数据融合综述 [J]. 计算机工程与应用, 2021, 57(18): 49‒64.
[32]

Ren Z Y, Wang Z C, Ke Z W, et al. Survey of multimodal data fusion [J]. Computer Engineering and Applications, 2021, 57(18): 49‒64.
[33]

Wan Y W, Liu Y, Chen Z Y, et al. Making knowledge graphs work for smart manufacturing: Research topics, applications and prospects [J]. Journal of Manufacturing Systems, 2024, 76: 103‒132.
[34]

Mon-Williams R, Li G, Long R, et al. Embodied large language models enable robots to complete complex tasks in unpredictable environments [J]. Nature Machine Intelligence, 2025, 7(4): 592‒601.
[35]

Dong Y S, Ao S J, Gong H. Adaptive robotic polishing based on distributed flexible force sensors [J]. Robotics and Computer-Integrated Manufacturing, 2025, 95: 103020.
[36]

Vukosavljev M, Kroeze Z, Schoellig A P, et al. A modular framework for motion planning using safe-by-design motion primitives [J]. IEEE Transactions on Robotics, 2019, 35(5): 1233‒1252.
[37]

Yan S H, Xu D, Tao X. Hierarchical policy learning with demonstration learning for robotic multiple peg-in-hole assembly tasks [J]. IEEE Transactions on Industrial Informatics, 2023, 19(10): 10254‒10264.
[38]

张振国, 毛建旭, 谭浩然, 重大装备制造多机器人任务分配与运动规划技术研究综述 [J]. 自动化学报, 2024, 50(1): 21‒41.
[39]

Zhang Z G, Mao J X, Tan H R, et al. A review of task allocation and motion planning for multi-robot in major equipment manufacturing [J]. Acta Automatica Sinica, 2024, 50(1): 21‒41.
[40]

Kim J, Croft E A. Online near time-optimal trajectory planning for industrial robots [J]. Robotics and Computer-Integrated Manufacturing, 2019, 58: 158‒171.
[41]

Zhong H G, Cong M, Wang M H, et al. HB-RRT: A path planning algorithm for mobile robots using Halton sequence-based rapidly-exploring random tree [J]. Engineering Applications of Artificial Intelligence, 2024, 133: 108362.
[42]

刘子豪, 赵津, 刘畅, 基于改进A*算法室内移动机器人路径规划 [J]. 计算机工程与应用, 2021, 57(2): 186‒190.
[43]

Liu Z H, Zhao J, Liu C, et al. Path planning of indoor mobile robot based on improved A* algorithm [J]. Computer Engineering and Applications, 2021, 57(2): 186‒190.
[44]

Li Y J, Wei W, Gao Y, et al. PQ-RRT*: An improved path planning algorithm for mobile robots [J]. Expert Systems with Applications, 2020, 152: 113425.
[45]

Li J Z, Pang D, Zheng Y, et al. A flexible manufacturing assembly system with deep reinforcement learning [J]. Control Engineering Practice, 2022, 118: 104957.
[46]

Fan F, Xu G L, Feng N, et al. Spatiotemporal path tracking via deep reinforcement learning of robot for manufacturing internal logistics [J]. Journal of Manufacturing Systems, 2023, 69: 150‒169.
[47]

Chen P, Zhao X, Zeng L, et al. A review of research on SLAM technology based on the fusion of LiDAR and vision [J]. Sensors, 2025, 25(5): 1447.
[48]

Kim E, Kim Y, Park J. The necessity of introducing autonomous trucks in logistics 4.0 [J]. Sustainability, 2022, 14(7): 3978.
[49]

Oyekanlu E A, Smith A C, Thomas W P, et al. A review of recent advances in automated guided vehicle technologies: Integration challenges and research areas for 5G-based smart manufacturing applications [J]. IEEE Access, 2020, 8: 202312‒202353.
[50]

庄存波, 刘检华, 张雷. 工业5.0的内涵、体系架构和使能技术 [J]. 机械工程学报, 2022, 58(18): 75‒87.
[51]

Zhuang C B, Liu J H, Zhang L. Connotation, architecture and enabling technology of industrial 5.0 [J]. Journal of Mechanical Engineering, 2022, 58(18): 75‒87.
[52]

Xu J, Sun Q Y, Han Q L, et al. When embodied AI meets industry 5.0: Human-centered smart manufacturing [J]. IEEE/CAA Journal of Automatica Sinica, 2025, 12(3): 485‒501.
[53]

Fu M X, Wang Z Q, Wang J Q, et al. Environmental intelligent perception in the industrial Internet of things: A case study analysis of a multicrane visual sorting system [J]. IEEE Sensors Journal, 2023, 23(19): 22731‒22741.
[54]

Sheng Y, Zhang G, Zhang Y, et al. A multimodal data sensing and feature learning-based self-adaptive hybrid approach for machining quality prediction [J]. Advanced Engineering Informatics, 2024, 59: 102324.
[55]

单忠德, 汪俊, 张倩. 批量定制柔性生产的数字化、智能化、网络化制造发展 [J]. 物联网学报, 2021, 5(3): 1‒9.
[56]

Shan Z D, Wang J, Zhang Q. Development of digital intelligent networked manufacturing for flexible customized manufacturing [J]. Chinese Journal on Internet of Things, 2021, 5(3): 1‒9.
[57]

New trends in smart sensors for industrial applications: Part II [J]. IEEE Transactions on Industrial Electronics, 2017, 64(12): 9592‒9594.
[58]

Orabi M, Tran K P, Egger P, et al. Anomaly detection in smart manufacturing: An adaptive adversarial transformer-based model [J]. Journal of Manufacturing Systems, 2024, 77: 591‒611.
[59]

Huang L, Yu W J, Ma W T, et al. A survey on hallucination in large language models: Principles, taxonomy, challenges, and open questions [J]. ACM Transactions on Information Systems, 2025, 43(2): 1‒55.
[60]

Kokciyan N, Srivastava B, Huhns M N, et al. Sociotechnical perspectives on AI ethics and accountability [J]. IEEE Internet Computing, 2021, 25(6): 5‒6.

基金资助

中国工程院咨询项目“全球未来产业发展趋势及湖南未来产业布局研究”(2024-DFZD-39)

湘江实验室项目(24XJ01002)

AI Summary AI Mindmap
PDF (1909KB)

32504

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉