汽车零件、金属工件和规则包装箱的位置与外形相对稳定，机器人可以通过预先设定的坐标、轨迹和抓取动作重复作业。布料、线缆、软包装及柔性材料则不同，每次放置后的形状都可能发生变化，边缘会折叠，抓取点也无法长期保持一致。传统示教方式面对这类对象时，往往需要增加定位治具或人工整理。

2026年7月13日，安川电机与软银公布了一项柔性物体操作系统的验证结果。该系统使用安川电机的MOTOMAN NEXT AI机器人，并调用软银正在建设的AI Data Center GPU Cloud作为Physical AI开发平台，对形状容易变化的物体进行识别和操作。双方此次公布的是验证成果，并未宣布该系统已经作为标准化产品全面上市。

柔性物体让固定坐标抓取失去稳定性

普通搬运机器人最擅长处理位置、姿态和尺寸较为确定的物体。只要来料定位可靠，机械手可以按照示教点位接近工件，控制夹爪闭合，再将其放到指定位置。

柔性物体没有稳定的几何状态。以布料为例，同一件物料可能平铺、卷曲、重叠或局部翻折。即使放置位置没有明显变化，适合抓取的边缘和受力点也会改变。夹爪若落在重叠区域，可能一次抓起多层；抓取位置过于靠近边角，又可能在运动过程中滑落。

这类作业过去通常依赖人工判断。操作人员能够根据物体当前形状临时调整动作，但传统机器人程序缺少这种即时判断能力。企业若希望实现自动化，就需要配置较复杂的视觉系统、专用治具和大量规则程序。

安川电机与软银此次验证的重点，在于让机器人根据摄像头等感知信息理解柔性物体的当前状态，再生成相应的操作动作，而不是要求物料每次都以完全相同的姿态到达。

MOTOMAN NEXT承担感知后的动作执行

安川电机将MOTOMAN NEXT定位为面向自律化作业的AI机器人平台。与只执行固定程序的机器人相比，这类系统需要把视觉识别、动作规划和机器人控制连接起来，根据现场变化修正作业过程。

在柔性物体操作中，系统不仅要识别物体在哪里，还要判断哪一部分适合抓取、夹爪采用什么角度接近，以及抓起后物体会如何变化。这些判断比规则工件的二维定位复杂得多。

例如，机器人从物料箱中取出一块折叠布料时，需要避免同时带起下方物料；若第一次抓取后布料仍未展开，还可能需要重新放置和二次抓取。整个过程不是单次取放动作，而是由多个感知和操作步骤组成。

AI机器人能够扩大自动化对象的范围，但它并不会消除夹具和机械设计的重要性。夹爪表面摩擦力、开合行程、作用力大小和指尖形状，都会影响柔性物体的抓取效果。过大的夹持力可能损伤材料，力度不足则容易滑落。系统在视觉算法之外，仍需针对实际物料设计合适的末端执行器。

云端GPU参与机器人决策验证

双方此次验证使用了软银正在开发的AI Data Center GPU Cloud。云端GPU可以为模型训练、图像分析和复杂动作推理提供较强算力，减少单台机器人本地计算设备承担的负荷。

这种架构为机器人AI应用提供了新的开发方式。过去，机器人控制程序和视觉算法通常运行在设备现场的控制器或工控机中。云端算力加入后，模型训练、数据整理和部分推理任务可以在更集中的计算环境中完成。

但生产现场是否适合依赖云端，还要考虑通信延迟、网络稳定性和数据管理要求。机器人运动控制对实时性要求较高，安全停止、伺服控制和轨迹执行不能完全依赖不确定的远程网络。更现实的架构通常是由本地控制器负责实时动作与安全功能，云端承担模型训练、复杂分析或非实时任务。

企业评估类似方案时，需要明确哪些计算发生在机器人本地，哪些数据需要上传，网络中断后设备能否保持安全状态，以及系统是否具备降级运行能力。仅看到“云端GPU”并不能判断方案是否适合现场连续生产。

从规则工件扩展到布料与软包装

柔性物体操作的潜在应用并不局限于布料。食品袋、薄膜包装、密封袋、线束、软管及部分弹性材料，都可能存在形状不固定的问题。

在服装和纺织环节，机器人需要处理叠放、展开和转移；在食品及日用品包装线上，软袋可能因内容物分布不同而改变外形；在线束装配中，线缆会弯曲、缠绕，并随抓取位置改变姿态。

这些应用过去难以直接套用普通码垛或取放方案。设备集成商往往需要先增加整形机构，把物料变成相对固定的状态，再交给机器人处理。AI感知和动作规划能力提高后，部分整形步骤可能减少，但这并不意味着所有柔性物料都可以使用同一套算法和夹爪。

材料的厚度、摩擦系数、反光特性、颜色以及堆叠方式，都会影响视觉识别和抓取成功率。项目导入前必须使用真实物料开展连续测试，不能只依据演示视频判断可行性。

机器人采购将增加数据和算法评估

传统机器人选型主要关注负载、工作半径、重复定位精度、轴数和防护等级。面向AI操作任务时，采购范围会扩大到视觉设备、计算平台、模型、软件接口和数据采集条件。

企业需要确认系统能够识别哪些物体状态，换产时是否需要重新训练，训练数据由谁采集和标注，算法更新是否影响原有动作，以及发生识别失败时如何处理。

机器人本体具备足够的负载和工作范围，并不代表整套AI应用已经具备稳定生产能力。柔性物体抓取成功率还会受环境光线、背景颜色、物料批次和摆放密度影响。若系统每天需要人工频繁整理失败物料，自动化带来的收益就会被削弱。

因此，这类项目更适合以完整节拍进行验收，而不是只检查单次抓取能否成功。测试应覆盖连续运行时间、不同物料状态、最不利堆叠情况、识别失败后的恢复方式，以及人工进入作业区域时的安全联锁。

机械安全仍需独立于AI判断

AI可以判断物料位置，却不能作为机器人安全防护的唯一依据。机器人工作区域仍需根据风险评估配置安全围栏、安全门锁、安全激光扫描器、安全光幕或其他安全传感器。

算法识别错误可能导致抓取失败，但人员安全不能依赖模型是否正确。安全控制器、急停回路和驱动安全功能应保持独立，并按照设备设计和现场安全规范验证。

涉及机器人调试、夹具更换和故障清理时，应切断或控制危险能量，确认机器人不会意外启动。即使系统具备自律规划能力，现场维护也必须按照机器人原厂手册、设备风险评估和企业安全程序执行。

当前成果属于技术验证阶段

安川电机与软银公布的柔性物体操作系统，说明AI机器人正在从规则搬运向复杂物料处理延伸。它所解决的并不是机器人速度不足，而是传统程序难以适应物体形状持续变化的问题。

目前能够确认的是，双方已经使用MOTOMAN NEXT和AI Data Center GPU Cloud完成相关验证。公开信息尚未说明标准产品配置、正式销售时间、支持物料范围、连续运行成功率及商业化价格。

对于计划处理布料、软包装或线缆类物料的企业，这项动态提供了新的自动化方向，但现阶段不宜直接理解为通用解决方案已经成熟。项目仍需围绕真实物料、生产节拍、夹爪结构、网络条件和安全系统逐项验证。

AI机器人能够处理更多变化，并不代表现场条件可以不受约束。真正决定方案能否落地的，仍是感知精度、动作稳定性、异常恢复能力，以及整套系统在连续生产中的可维护性。