CCF广东工业大学学生分会举办 “面向3C制造的具身智能技术”学术讲座

CCF广东工业大学学生分会于2025年12月17日（周三）上午成功举办了主题为“面向3C制造的具身智能技术”的学术讲座。本次学术讲座的报告人是杨金荣博士。

杨金荣博士现任视源电子股份有限公司中央研究院高级研究员、中山大学计算机学院博士后。他担任广东省工信部1项机器人重大专项子课题负责人，并骨干参与多项具身智能重大专项研究课题。杨金荣博士长期专注于Robotic Learning、Computer Vision与Machine Learning等领域的研究，已在相关国际主流会议与期刊发表论文25篇，谷歌学术引用超过2500次，并多次担任ICML、NeurIPS、ICLR、CVPR、ICCV等顶级会议审稿人。

本次讲座中，杨金荣博士首先阐述了具身智能技术的概念是让机器人拥有人类的灵巧动作和与环境交互的能力。接着他提出了具身智能的五个等级划分（G1-G5），并指出当前工业界在G1（传统自动化）和G2（感知+规控）阶段面临的高成本痛点。杨金荣博士以CVTE机器人特色应用场景为例，分析了传统自动化方案因依赖高精度昂贵设备而导致的ROI难以平衡的问题。针对这一困境，杨金荣博士解释了为何团队战略性地选择G3（端到端模型）作为技术突破口。他指出，相比于尚未完全成熟的G4，G3在当前阶段具备四大核心优势：硬件成本低，可利用2万元以内的自研低精度机械臂实现作业；部署成本低，规避了昂贵的专业调试费用；任务迁移灵活，能快速适应产线物料频繁变更的需求；性能自强化，即模型能在部署后通过闭环不断提升性能。基于此，他进一步引出了课题组为落实G3路线的解决方案——“IL-HIL-RL”三段式学习框架。

随后，杨金荣博士详细介绍了该框架的具体实施路径。在Imitation Learning(IL)阶段，杨金荣博士指出“数据质量”是核心。不同于传统的简单示教，他提倡通过更科学的空间遍历和更灵巧的遥操作设备（如VR手柄、UMI等）来采集高质量数据，从而实现机器人技能的高效冷启动，使模型在极少人工干预下达到90%以上的成功率。

针对模型在实际部署中遇到的光照变化、位置偏移等Domain Shift问题，杨金荣博士介绍了Human in Loop(HIL)策略。通过构建在线增量学习系统，当模型出现犹豫或错误时，人工进行实时干预和纠正。这些干预数据被回流至训练池，使机器人能够适应不确定的环境，将成功率提升至95%以上，真正实现了性能的“自强化”。

关于技术落地的“最后一公里”，杨金荣博士重点阐述了Reinforcement Learning(RL)的关键作用。他通过“机器人叠毛巾”的生动案例，展示了模型如何从第一周的“运行5分钟即崩溃”进化到第六周的“连续24小时高质量作业”。为了解决RL中Reward设计困难的问题，他提出了一种“Progress Reward Model”,避免了繁琐的人工标签设计，让机器人通过自我探索不断突破人类示教的上限。

讲座最后，杨金荣博士展示了团队在国际灵巧操作挑战赛中的夺冠细节，以及在工厂实际落地的无序抓取、精密装配等成果，描绘了Mobile Assembly和Whole Body Control的未来技术蓝图。

杨金荣博士与在场的同学们进行了热烈的互动，并欢迎感兴趣的同学在实习、科研与项目合作方面保持联系。本次讲座不仅展现了具身智能前沿技术的巨大魅力，更生动诠释了“产学研用”紧密结合如何将先进的学术思想转化为驱动产业变革的真实力量，为与会师生带来了深刻的启发。