第八十二章引擎
第八十二章引擎(第2/5頁)
年的從業經驗，主導過多條手機零部件外觀檢測線的算法開發。他在了解了源點智能實驗室的技術路線後，對類腦網絡與機器視覺的結合表現出了極大的興趣，幾乎冇有討價還價就接受了 邀約。
柔性抓取方向，林語通過一位學術圈的朋友介紹，結識了某高校機器人研究所的副教授方旭東。方旭東在軟體機器人領域耕耘了七八年，發表過十多篇高水平論文，但在現行的高校評價體係下，應用型研究很難獲得足夠的經費支持和職稱晉升空間。林語向他描繪了源點智能實驗室正在做的事情——用液態金屬和類腦網絡打造真正能夠適應複雜環境的智能機械臂——方旭東聽後沉默了很久，然後說了一句：“我在學校裡憋了太久，想到真正的前線去看看。”
工藝建模方向，林語招募了一位從某德資汽車零部件企業離職的工藝專家。這位名叫孫國平的專家在汽車發動機缸體加工工藝領域積累了二十多年的經驗，對切削參數、刀具壽命、冷卻液配比等細節了如指掌。他在參觀了礦區的智能生產線後，給出了一個讓陸迪峰印象深刻的評價：“你們這條線，硬件已經達到了國際一流水平，但對加工工藝的理解還停留在教科書層麵。工藝不是公式，是經驗。而經驗，是需要時間和試錯來積累的。”
隨著研發團隊的擴充，智能生產線的產品迭代速度明顯加快。研發中心成立後的第一個月，就完成了對第一代智能生產線產品的全麵 回測，梳理出了二十多項需要改進的問題，涉及視覺識彆準確率、機械臂運動平滑度、agv 路徑規劃效率等多個方麵。
何誌遠接手視覺係統後，做的第一件事是重建了訓練數據集。他發現，原有的數據集雖然規模不小，但樣本多樣性不足——大部分圖像是在礦區車間相對均勻的光照條件下拍攝的，物體擺放位置也比較規整。而真實工廠的環境要複雜得多：光照可能來自多個方向且有陰影，工件可能隨意堆疊且有油汙覆蓋，傳送帶上可能有振動導致圖像模糊。他帶領團隊花了三周時間，跑了六家不同類型的工廠，采集了超過十萬幀真實生產環境下的圖像數據，然後用這些數據重新訓練了視覺識彆模型。新模型在測試集上的識彆準確率從百分之九十四點五提升到了百分之九十八點二，對油汙覆蓋工件的識彆準確率更是從百分之七十一躍升到了百分之九十六。
方旭東加入後，對機械臂的末端執行器進行了一次徹底的 重新設計。原有的氣動夾爪雖然結構簡單、控製方便，但隻能抓取形狀規則的物體，對於異形件和易碎品束手無策。方旭東設計了一種基於電致變剛度材料的柔性抓手——這種抓手在通電時處於柔
（本章未完，請點擊下一頁繼續閱讀）