當機械手臂遇上物理人工智慧(Physical AI)：認識 QArm 家族
機械手臂
當前物理人工智慧（Physical AI）的普及趨勢，重新燃起了各界對機械手臂的興趣；過去，機械手臂往往被認為僅限於工業解決方案與特定應用。我們 Quanser 深入探討此趨勢的轉變與成長。全球機械手臂市場規模約為 150 億美元，且正以每年約 12% 的速度成長。對學術界而言，這帶來了一個重大課題：如何確保我的學生具備在不斷成長且瞬息萬變的產業中發展所需的技術基礎？隨著物理人工智慧開啟了全新大門，教育界正迎來變革。
實務上，大專院校通常可以採取以下方式：購買具備工業級規格的手臂，並指派實驗室技術員或研究助理進行修改，以符合學校的課程與研究需求。然而，對於教育工作者而言，這往往意味著必須付出高昂成本，才能換取兼顧研究、學習與易用性的客製化解決方案。
Quanser 機械手臂家族
回顧 Quanser 的學術基因以及我們在過去 35 年中打造的豐富解決方案，我們深入審視了專為學術界開發機械手臂的意義。我們的目標是確保符合以下設計理念：
專為涵蓋現代工程教育與研究所有面向而量身打造的解決方案生態系統。
開放式架構（Open-architecture）且具備高度儀表化（Instrumented），性能強大與多種控制模式。
包含完整對應領先教科書的課程支援、專題導向學習內容，以及涵蓋教育與研究範例的豐富函式庫。
2020 年，我們開始透過 Quanser QArm 來實踐這些理念。QArm 專為教授大學高年級甚至研究所等級的機器人課程而設計，成為我們回應以下問題的最佳解答：在大學與研究所環境中，有哪些開放式架構的機器手臂可用於教授機械手臂機器人學？審視我們的設計理念，我們確保 QArm 透過我們獨特的基於 Simulink 課程方法，將現代機械手臂工程主題生動呈現。
承襲此一理念，我們在2024年推出了QArm mini。這是一款可供大學進行實作、具備可擴充性，可用於課程的機械手臂，旨在入門階段激發學生對於機器人學習興趣。QArm mini 也為 Quanser 帶來了一個獨特的機會，透過讓安裝至 QBot 平台上，實現了行動機器手臂（Mobile manipulation）的應用，進而搭起機械手臂與行動機器人之間的橋樑。這項設計選擇是有意的，因為它允許大學在不同的操作環境中探索機械手臂機器人技術。
這讓我們迎來了 2026 年 QArm研究平台的發表，這是 Quanser 機械手臂家族的最新成員。QArm 研究平台專注在傳統機器人學、應用人工智慧工作流（Applied AI workflows）以及物理人工智慧應用的交會點。使 QArm 研究平台成為理想平台的關鍵在於其完美融合了多項優勢：每個關節皆具備完整的感測器套件、搭載 NVIDIA Jetson Orin AGX 邊緣運算模組，以及 3 公斤的酬載能力。QArm 研究平台為我們的設計理念增添了另一大支柱，即：
支援 Python、Simulink、ROS2、C++、NVIDIA Isaac Sim 及主流人工智慧函式庫的多功能開發支援解決方案。
了解了我們的發展歷程後，接下來讓我們分析哪種解決方案最適合您的需求。
哪一款機械手臂最適合我？
為了釐清這個問題，讓我們深入探討每款機械手臂的獨特之處。QArm Mini 與 QArm 皆能為授課教授提供豐富的教材內容。Quanser 的學術內容一律包含圖 1 所示的元素。
不過，QArm Mini 與 QArm 所提供的教材仍有所區別。
針對 QArm，我們在 4 個技能進階路徑中總共規劃了 11 個實驗。這些實驗目前同時針對數位孿生（Digital twin）與實體設備進行設計。QArm 課程涵蓋基本控制、正向與逆向運動學（Forward/inverse kinematics）、軌跡生成（Trajectory generation）、學習與教學（Learn and teach）應用，以及針對機械手臂廣泛應用的視覺基礎實驗。這些應用以 Simulink 設計，主要聚焦於機器人操控的演算法與理論實作，靈感源自 M.Spong 與 M.Vidyasagar 所著的經典教科書《Robot Modeling and Control》。
實際上，這 4 項挑戰的結果為何？答案是一系列混合成果。以下是一個競賽團隊的範例，他們成功執行了加速測試，並確保其停在規定的區域內：
QArm Mini 則採取不同的方法，聚焦於靈活性與可擴充性，特別是從「機器人學導論教學實驗室」（Intro To Robotics Teaching Lab）的角度來看。教材內容採用多語言方法（Simulink 與 Python）設計。學生現在可以從產業視角透過 Simulink 初步了解機械手臂，或是採取開源方法使用 Python。希望探索變動配置的教育工作者可以利用 QBot 平台上的安裝點，透過聚焦於行動機器手臂應用來拓展其教育目標。
QArm 研究平台則採取另一種方法，從 Isaac Sim、Isaac Lab、ROS、物理人工智慧與觸覺遙控操作（Haptic teleoperation）的視角來審視人工智慧世界。這項決定是在回應推動物理人工智慧研究所需之 NVIDIA 工具日益成長的需求。這並不意味著我們放棄了對 Simulink 的支援。隨著範例的發布，我們也同步提供了用於任務空間（Task space）與關節空間（Joint space）控制的 Simulink 模型，供您作為解決方案的入門起點。豐富的開發環境正是讓 QArm 研究平台成為 Quanser 物理人工智慧實驗室（Physical AI Lab）核心元素的關鍵所在。
如果您的研究領域聚焦於傳統控制的即時觸覺回饋（Real-time haptic feedback），或是模仿學習（Imitation learning）相關應用，QArm 研究平台亦具備端點效應器力與力矩感測（End effector force torque sensing）的支援。
為了幫助研究人員在複雜系統的背景下更好地進行人工智慧工作流，我們也探討了大專院校如何結合兩種常見的框架：物理人工智慧與應用人工智慧。我們訓練了一個用於到達指定位置的策略（Policy），並重新訓練一個 YOLO 神經網路來偵測物件，進而提供我們任務空間的座標。這正是 Quanser 所提供的疑難排解、文件支援與應用範例，旨在滿足您的研究需求。
選擇正確的機械手臂
那麼，您該如何決定哪一款機械手臂最適合您呢？我建議可以先查看我們在 GitHub 上的學術資源（Academic Resources）。如果您想深入了解教學面向，學術資源庫的 6_teaching 資料夾包含了您入門所需的所有內容。該資料夾依據主題與支援的硬體解決方案進行分類。如果您想了解我們的研究範例涵蓋了哪些內容，建議前往 5_research 資料夾。資料夾依據產品分類，您可以在此從 Quanser 提供的已發布範例中獲得靈感。
當您有了多種可行性方案的平台時（Launchpad），更容易實現想法。如果您和我的想法一樣，誠摯邀請您瀏覽 8_user_content 資料夾。這裡展示了社群產出的內容，並突顯了學者們透過我們的解決方案所能探索的多重發展路徑。
以下是我在為機構建議合適的機械手臂時，會考量的幾個方向：
我需要什麼？ | 考量 | QARM MINI | QARM | QARM 平台 |
廣泛的酬載能力 | 研究 |
|
| ✔ |
可直接使用的課程教材 | 教育 | ✔ | ✔ |
|
ROS支援 | 研究 |
| ✔ | ✔ |
Python支援 | 教育/研究 | ✔ | ✔ | ✔ |
MATLAB支援 | 教育/研究 | ✔ | ✔ | ✔ |
內建運算單元/載板運算 | 靈活性/AI |
|
| ✔ |
數位孿生(Digital twin) | 教育/研究 |
| ✔ | ✔ |
支援移動平台/機器人支援 | 教育/研究 | ✔ |
|
|
大型學生分組適用 | 教育 | ✔ | ✔ |
|
電流模式控制 | 研究 |
| ✔ | ✔ |
這只是一份的引導說明，但並非最終版本。我們非常希望能直接聽取您的需求，深入了解您的訴求，以便與您合作，為您提供最具影響力的解決方案，歡迎我們 QUANSER 的台灣總代理錫昌科技洽詢。
本文轉載自 Quanser 原廠網站，作者 John Pineros / Quanser 學術應用研發經理
留言