Research Update / 2026
张云波教授参与的跨机构团队近期形成一项 npj Advanced Manufacturing 论文和两项 2026 制造自动化会议成果，围绕 AI-XR 装配指导、双臂共享自主与 AR 工艺辅助展开真实任务验证
Research Thread / 01
三项工作分别回答三个问题：系统如何理解装配上下文，何时应该把控制权交还给人，以及如何把实时工艺状态转化为人的可执行反馈。共同目标，是让数据、模型、人员与机器人在真实任务中持续形成闭环。
2026 年 9 月 8 日更新：团队确认 CopilotTele 已获 IEEE CASE 2026 最佳学生论文奖。AR-CPS 论文已获 ASME IDETC/CIE 2026 VARE Technical Committee Best Paper Award，依据为团队收到的官方通知。
系统以多模态推理智能体和时空推理智能体协同工作，把装配步骤理解、动作评估与机器人转运接入同一套交互流程。
传统 XR 指导往往按固定步骤显示内容。AssemblyMate 则持续结合用户动作、物体状态与任务上下文进行判断，并通过 Model Context Protocol（MCP）连接机器人控制功能。
论文中的 25.06% 和 41.9% 均以约 346 秒的物理 HRC 条件为参照：完整 AssemblyMate 为 259.30 秒；低延迟小型多模态智能体模式为 201.00 秒。两者不应写成分别对比两个不同基线。
系统默认执行短时域动作，并在风险升高时触发人工介入或接管，把人的判断集中在高价值、高不确定性环节。
在线束装配六个连续子任务中，单人纯遥操平均用时 147.49 秒，共享自主系统降至 127.35 秒；吞吐量由 24.4 提升至 28.3 个任务/小时，重试由 4.58 次降至 2.46 次。
结果来自每种条件 50 次试验。0.88 指人工介入事件数/任务，同时平均介入时间为 1.09 秒/任务。这组结果验证了按需介入策略在该任务中的有效性，其跨任务适用性仍需继续检验。
研究将带有 IoT 传感器和六自由度跟踪的喷枪、涂层沉积仿真与 AR 头显结合，辅助操作者在复杂曲面上判断覆盖状态与喷涂距离。
三名参与者的容差达标率由人工条件下的 67.1%、86.1%、89.4%，分别提升至 AR 条件下的 68.0%、91.1%、95.5%。实时反馈有助于减少欠喷，但效果随操作者经验与策略变化。
AR 条件平均用时 463 秒，高于人工条件的 160 秒和机器人基准的 235 秒。这些结果支持其对过程一致性与容差达标率的改善，同时也说明执行效率仍有进一步优化空间。