當前制造業(yè)面臨多品種、小批量需求與傳統(tǒng)機器人剛性自動化之間的核心矛盾。具身智能工業(yè)機器人因其自主規(guī)劃與執(zhí)行能力成為破局關鍵，而任務規(guī)劃正是其落地的核心瓶頸。富唯智能全球獨創(chuàng)的GRID大模型，專為解決這一工業(yè)難題而生。

一、GRID是什么?——專為工業(yè)場景打造的“具身大腦”

GRID(Graph-based Robotic Instruction Decomposer)是富唯智能聯(lián)合清華大學深圳國際研究生院首創(chuàng)的任務規(guī)劃大模型。它并非通用對話模型，而是專為工業(yè)物理世界設計的“大腦”：將高層級自然語言指令精準分解為機器人可執(zhí)行的子任務序列，確保每一步都符合物理世界邏輯。

二、核心技術原理：融合雙圖譜的層級化任務規(guī)劃架構

GRID的核心技術突破在于其融合雙圖譜的層級化推理架構：

1. 雙圖譜知識表征

語義地圖：基于3D視覺與SLAM技術實時構建的工業(yè)環(huán)境空間語義圖，包含產(chǎn)線布局、設備位姿、物料區(qū)域等環(huán)境知識。

知識圖譜：通過工業(yè)專家標注與機器自主學習構建的工藝流程知識庫，涵蓋“門把手需拋光后裝配”、“電池后蓋需按特定方向擺盤”等對象知識。

2. Transformer-based任務分解引擎

GRID采用改進的Transformer架構，將自然語言指令與雙圖譜知識進行聯(lián)合編碼，通過自注意力機制捕捉指令與場景元素的深層關聯(lián)。模型經(jīng)過海量工業(yè)場景數(shù)據(jù)預訓練(涵蓋3C電子、汽車零部件、新能源等8大行業(yè))，具備強大的泛化能力。

3. 層級化任務規(guī)劃機制

全局規(guī)劃層：生成宏觀任務序列(如“取料→轉(zhuǎn)運→裝配→檢測”)

局部細化層：結合實時環(huán)境狀態(tài)，將宏觀任務拆解為原子動作(如“移動至A點→抓取B物料→調(diào)整姿態(tài)→插入C孔位”)

沖突檢測與修正：通過世界模型模擬執(zhí)行結果，自動規(guī)避碰撞、干涉等物理約束

5. 大小腦協(xié)同閉環(huán)

GRID作為“大腦”將任務規(guī)劃結果傳遞給富唯自研的“基于語言-技能的多層小腦模型”。小腦模型通過擴散策略網(wǎng)絡將語言指令映射為機器人關節(jié)空間的運動軌跡，實現(xiàn)移動底盤、機械臂、靈巧手的原子技能控制，形成從“想”到“做”的完整閉環(huán)。

結語

GRID大模型不僅是富唯智能的核心技術，更是通向工業(yè)級通用人工智能的關鍵一步。它以清華大學頂尖學術研究為基石，以真實產(chǎn)線需求為導向，用數(shù)據(jù)證明其超越通用模型的規(guī)劃能力。選擇富唯智能，就是選擇柔性制造的確定性未來。