机器人开始组装AI服务器测试托盘：母线装配成功率超95%，四根线缆插接达90–95%
核心概要
英伟达西雅图机器人实验室与Isaac工程团队把GB300测试托盘的母线装配和四连接器插接交给机械臂完成。母线装配成功率超过95%，但整周期160秒，未达到124秒的节拍要求；四根线缆插接成功率90–95%，平均每根40秒，同样低于产线部署门槛。方案没有走纯端到端路线，而是先试经典模块化流水线，只在连接器抓取与插入环节引入学习。
深度剖析
机器人现在能完成GB300测试托盘的两项装配任务：把长而重的母线插入托盘并拧紧16颗螺钉，以及把两根大、两根小的线缆连接器插入间隙很紧的插座。 此前这类工序依赖熟练工人手工完成，工人操作稳定流畅、心理负担不大，而同样的灵巧度对自动化极其困难。 母线装配成功率超过95%，剩余失败主要来自抓取失误和插入过程中的手中滑移；四连接器插接成功率90–95%，剩余失败主要来自连接器抓取阶段的多臂协调问题。
做法是按子问题逐个先上经典基线，只有基线不够时才引入学习，而不是一开始就端到端训练。 机器人学习研究通常优先追求技术新颖性，较少优化可能性能更高的基线，读者往往不清楚先前方法为何失效。 母线装配的经典流水线由独立的感知、规划、控制模块组成，效果足够好，无需转向端到端学习，模块化结构还便于调试、调参和分配到三条机械臂上。
连接器抓取改用专门训练的位姿估计模型DOPER，插入则用仿真预训练加真实世界残差强化学习。 通用位姿估计模型在连接器上误差很大，端到端的ACT或扩散策略成功率低，而专用线缆数量少、反复使用会永久变形，难以积累大规模数据。 DOPER先在仿真中用CAD模型渲染图像并自动生成关键点标签训练，再用部件的三维神经重建生成伪标签微调，推理可达30 Hz以上；插入策略在Isaac Lab中训练后，大连接器迁移效果较好，小连接器受位姿估计误差影响明显。
启示与展望
已展示的范围是实验室条件下两项GB300测试托盘装配任务的实测表现：母线装配成功率超过95%、整周期160秒，四连接器插接成功率90–95%、平均每根线缆40秒，均未达到厂商提出的99.5%成功率和124秒、72秒的节拍上限。作者明确下一步是把技术部署到英伟达代工厂，并计划发布白皮书以及DOPER、TALOS。
作者指出，实验室表现良好并不能保证部署后的性能：工厂的环境与工位条件不同，学习型机器人普遍存在域不匹配问题，产线还会随产品设计变更而变化。要支撑99.5%成功率与单侧95%置信下界，需在至少598次试验中零失败，而线缆磨损使这类评估需要数百件重复的GB300部件；对几何与力学不规则部件的精确仿真仍是开放问题。