从丰田研究院走进工厂，Walden 在真实部署中改进机器人丨CoRL 2026

美国当地时间 11 月 10 日，机器人学习顶会 CoRL 2026 在得克萨斯州奥斯汀开幕。

在本次大会的议程中，Walden 联合创始人兼 CEO、麻省理工学院教授 Russ Tedrake，带来题为《Learning in the factories》的演讲。他在开篇提到：「真正的功课，是在现场学到的。」这句话，道出团队走出实验室、创办公司的初衷。

透过这场演讲，可以看清 Russ 给 Walden 规划的方向：从科研实验室走向落地部署，为客户创造真实价值。

今年 1 月，Russ 和团队从丰田研究院分拆成立 Walden，开始将多年的机器人研究推向真实生产。2 月，他们的机器人便进入北美一座丰田工厂参与作业。

到了 7 月，公司正式对外亮相，宣布完成由丰田与 Deviation Capital 共同领投的 3 亿美元种子轮融资，投后估值达到 11 亿美元。

几个月的现场部署，也给 Russ 这次演讲带来了更具体的问题：如何让机器人在产线上稳定跑完一整个班次，异常发生时如何人工介入接管，又该如何把现场沉淀的经验反哺给下一轮模型训练。

作为理念的实际印证，Walden 起步最早、持续运行最久的一套产线部署，如今已经完成 33,000 根凸轮轴的上料作业。

Russ 现场分享了一段很有代表性的经历。在工厂部署的经历中，团队原本只需要 15 分钟就能完成第一次部署，但看见围过来好奇观望的工人，他们临时调整计划，多花一小时亲手装配调试。

这么做，是为了让一线工人能够近距离看一看、摸一摸机器人，慢慢熟悉这位未来要一起共事的伙伴。

在 Russ 看来，技术推进固然要快，但想要真正落地，首先要和现场的人建立起信任。

从研究走向生产

对于刚从丰田研究院独立、便获得丰田与 Deviation Capital 领投，英伟达、波音、三星等参投的 3 亿美元融资的 Walden 而言，这样的开局足以收获行业大量关注。

相比公司本身，团队的技术积淀要久远得多。Russ 曾在丰田研究院带领机器人与机器学习团队长达近十年。

谈及 Walden 的创立根基，他列举了原团队主导或参与的一系列成果：扩散策略 Diffusion Policy、通用操作接口 UMI、大行为模型、OpenVLA，以及开源仿真工具 Drake。这些研究覆盖机器人动作学习、示教数据采集，以及算法向实体硬件迁移的整套关键环节。

深厚的学术积累为项目打下起步基础，而公司化运营之后，团队的核心任务，是把零散的研究成果整合为可以稳定交付的产品。

Walden 将自身定位为全栈物理 AI 公司，目标是开发并落地通用机器人，让机器在真实作业场景中持续自主学习。模型、软件、硬件、产品方案、行业应用与规模化制造，全部纳入团队的能力边界之内。

就连 Walden 这个名字，也承载着团队对这份事业的理解。Russ 在介绍公司理念时，提到波士顿近郊的瓦尔登湖，以及梭罗在《瓦尔登湖》里关于有意义的生活的思考。

他希望机器人能够承接体力负担繁重的工作，把人的精力释放出来，投入判断、问题求解与创造性的技能运用之中。

Russ 口中的「全栈」，有着非常落地的定义。如果扎根工厂一线之后，发现任务失败根源在硬件，团队就要具备修改硬件的能力；如果症结出自软件，就要迭代软件。

很多时候，各个组件单独测试都表现良好，但组装在一起依然无法满足产线标准，这时就需要有人为最终的交付结果全权负责。

在梳理公司路线时，Russ 把全栈能力、现场数据优先、制造业优先放在同等重要的位置。这几项选择最终指向同一个目标：把通用机器人打磨成客户愿意长期使用的产品。

Walden 的早期落地重心落在制造业。团队先和少量核心客户深度打磨方案，再向外逐步拓展业务边界。

丰田在这条线上扮演多重角色：它既是 Walden 的技术源头，也是投资方，同时还是重要的落地合作方。根据公司 7 月公开信息，其机器人从今年 2 月起，就已经在北美的一座丰田工厂投入生产。

深耕制造业，也让团队得以向成熟的工业体系取经。工厂早已沉淀一套完整的方法论：新员工如何培训上岗、质检流程如何规范、异常故障如何处置、整条产线如何维持长期稳定运行。

Russ 在分享中坦言，与资深制造业专家交流，彻底重塑了他的思考方式。

团队同时也在自研机器人硬件。Russ 说明，本次分享展出的设备，只是为快速落地选用的高性价比过渡方案，自研机型仍在推进。

这个取舍顺序，也凸显了 Walden 当前的核心优先级：优先进入真实工况，依靠长时间持续运行，摸清整套系统还有哪些地方需要迭代优化。

生产线上的第一课

在这项长期落地项目中，Walden 的机器人已经累计完成 33,000 根凸轮轴上料，作业仍在持续推进。

凸轮轴上料，是读懂 Walden 落地思路的绝佳切口。

在机加工产线上，零件需要不间断补给。工人从料箱取出凸轮轴，再放置到工位。即便对熟手而言，这项重复劳作也挤占了处理复杂任务的精力，而且大约每七分钟，就要折返补料一次。

团队选中这项任务，直接源于一线工人的反馈。Russ 提到，如果整理一周收集的诉求清单，凸轮轴上料往往是大家最希望被替代的工作。

零件自重不小，反复搬运容易劳损手部，产线现场迫切希望把这项负担转接出去。

站在机器人的视角，这项任务并不简单。单根凸轮轴约重 3.5 公斤，机器人需要探入料箱完成抓取，操作空间受限，还要精准完成物料交接。

长期持续搬运重物，对机械手本身也是严苛考验。这项作业对速度留有容错空间，对可靠性却有着极高门槛。

一旦发生掉件，就会衍生一连串额外工序。工作人员需要到场核验零件状态、判定是否报废，再重启产线。

在连日、数周不间断的运转里，零星失误不断累积，最终都会转化为客户必须承担的运维成本。机器人还必须撑完完整班次，稳定保障供料。

合作之初，双方就敲定了一套明确的交付指标：98.5% 的运行可用率、低于 0.5% 的缺陷与错误率、零安全事故，同时不能拖累整条产线节奏。

这一组数字，既是机器人上岗的考核标准，也意味着评价体系不再只看模型效果，维护、故障恢复、人机协同能力同样纳入考核。

在产线环境里，自主能力必须搭配长时间连续作业的能力一同交付。一旦遇到模型无法独立处理的异常，还要有可靠的兜底方案。

为此 Walden 采用共享自主模式：机器人自主执行常规作业，远程操作员在必要时介入辅助，完成处置后再交还控制权。

Russ 将这套早期方案和 human-guided DAgger 方法关联。这套范式由人观测策略运行，在风险节点及时接管，同步采集修正后的示范数据。

放到凸轮轴上料场景里，远程操作员依托机器人第一视角判断工况，必要时协助完成抓取或者故障恢复，保障产线不停。

这套协作模式成立的前提，是遥操作本身足够可靠。操作员要看清现场状况、能够快速接入，配套操作界面也要支撑完整动作闭环。

Russ 特别提到，团队自研了适配第一人称远程操控的工具，哪怕是从地面捡起掉落凸轮轴这类兜底恢复动作，都已经提前纳入设计。

因此，这场分享里所说的「完成任务」，要放在人机协作的框架下去理解。

Russ 在问答环节明确划分两层边界：最终由人和机器人共同保障任务落地；而机器人纯自主完成的占比仍有提升空间。

这一划分，直接关系到项目成效评估，也决定落地之后的人力开销。

随着迭代推进，团队持续追踪平均介入间隔，也就是机器人独立运行多久，才需要人工介入一次。

不同版本模型的现场表现差距清晰可见：第一代大行为模型、前代模型、LBM 2.0 的平均介入间隔，分别为 22.6 秒、78.5 秒、340.3 秒，其中 LBM 2.0 的自主运行比例达到 98.2%。

只看介入间隔还不够，介入时长同样关键。

性能偏弱的模型，往往需要操作员长时间接管、连续完成多步操作；更成熟的模型，大多只需要简短纠正，就能恢复自主运行。

即便介入频次相近，短暂微调与全程操控，带给操作员的负荷截然不同。

所以 Walden 的观测指标是一套组合：自主运行占比、单次介入时长，以及求助请求在时间上的分布规律。

这些迭代带来的变化，在工厂里可以被直观感知。

Russ 分享，现场工人慢慢摸清了规律，知道团队会在每周四推送模型更新，会主动过来观察新版本的表现。

一次重大版本更新过后，大约一小时，他就收到一条消息：「你们做了什么？」

机器人动作变得更流畅、速度更快，还演化出此前从未出现过的抓取姿态。

模型迭代，是在不间断生产的任务之上完成的。

团队可以把新旧版本的表现，放回同一套生产标准里对比验证，客户也能判断优化会不会对正常生产造成干扰。

在 Russ 的描述里，这次突破增强了合作双方的信心，也推动大家开始洽谈更多落地场景。

从最初花时间让工人走近、熟悉机器人，到后来一同等候每周版本更新，人的参与贯穿落地全程。

机器人企业需要客户开放场景、提供反馈、给到试错机会；客户也需要确信，团队能够持续排查问题、迭代优化。

这份双向信任，才是机器人能够长期留在产线上的根基。

在部署中持续改进

机器人落地工厂之后，Walden 需要回答一个核心问题：从持续部署里沉淀的现场经验，究竟能为下一轮模型训练带来多少增益？

「你从工厂拿到的数据，根本上是靠信任挣来的。」Russ 这样说道。

把设备与运维人员派驻现场、搭建合作关系、敲定正式合约，每一步都要耗费大量时间。部署所得的数据贴近真实工况，但获取成本高昂。生产本身有着固定节奏，客户优先保障现有工序稳定运转，很难为采集多样化数据，频繁变更作业任务。

围绕部署数据的价值，行业一直存在一种质疑。

为契合生产标准，团队往往会先收窄任务边界；长期重复同一套作业，采集的数据容易趋于同质化，很难直接迁移到其他任务。还有一重矛盾在于，机器人的可靠性越高，遭遇卡点、需要人工介入的场景就越少，可供用于优化的纠错样本也会随之变少。

Russ 认可这套质疑里的部分前提：工业场景天然要求高成功率，项目起步阶段，确实需要限定任务范围。但现场数据是否就此失去迭代价值，仍然需要依靠对照实验来验证。

团队保持 4.7B 参数的模型架构不变，分别采用 1,000、10,000 以及 100,000 小时的外部数据完成预训练。数据集涵盖机器人自主示教、人类第一视角操作记录与 UMI 采集数据。

每一项任务都会先提供十小时的示教样本，完成任务适配，再转入共享自主的部署模式。过程中收集人工介入的修正示范，用来迭代后续版本。测试任务覆盖设备值守、配料与装配，包含大量要求精细对位、动态调整的操作。

在随后二十四小时的在岗学习周期里，不同预训练体量的模型拉开差距。依托 100,000 小时外部数据预训练的模型，平均人工介入间隔，从适配初期的约四十秒提升至约八十秒，全程累计采集 1.36 小时远程介入样本；仅使用 1,000 小时外部数据预训练的模型，介入间隔基本稳定在二十七秒上下，收集到的介入数据则达到 2.22 小时。

「更强的模型拿到的介入数据更少，但进步反而更大。」这是团队从对照实验里提炼出的结论。

这一结果印证了他们的判断：充分预训练打下的通用能力，可以让机器人依托少量现场修正样本，快速适配全新的具体工序。

这也决定了 Walden 对基础模型迭代的思路。在 Russ 看来，即便模型已经具备不俗的操作能力，初次进驻工厂依旧要经历上岗适应，吃透现场任务的特殊约束，慢慢满足产线高节拍、高良率的硬性要求。而模型本身能力越强，这套适配成长的路径也会随之变化。

一项轴承装配任务，就是很好的例子。轴承配合间隙极小，单纯垂直下压很难装配到位。机器人会自主尝试多方向微调，反复试探，最终完成零件对位就位。这类细微的动态调整，正是团队希望从远程协助与实际作业中持续沉淀的经验。能够抓起零件只是第一步，掌握稳妥可靠的装配方式，还需要在现场不断学习。

想要走向规模化，机器人还需要学会自主判断求助时机。项目初期，可以安排专人持续值守单台设备，及时处置异常；一旦部署规模扩大，这种人力模式就难以为继。机器人必须承担异常识别与主动求助的能力，让一名操作员同时支撑多台设备运转。

Walden 在十月对外披露了对应的方案：在动作生成策略中嵌入求助决策模块，结合任务状态、环境信息与自身执行结果，自主判断是否需要寻求协助。动作规划与求助判断共享同一套多模态表征，所有现场介入记录，会同步用于双向优化这两项能力。

而发起求助，只是整套运营链路的起点。谁承接告警、如何快速掌握现场状况、多台设备同时触发求助时如何调配人力，都会最终影响落地效果。求助过于频繁，会持续加重人力负担；异常未能及时上报，则有可能造成产线故障。模型能力和远程协助体系，必须同步打磨、协同进阶。

Russ 将这套思路，和丰田经典的自働化理念联系在一起。机器在出现异常时主动停线、发出信号，阻止缺陷持续流转，再依托安灯系统快速处置。对机器人而言，主动求助，本质也是把隐性异常显性化，方便人在合适节点介入干预。

更进一步的重点，在于故障处置之后的复盘。Russ 特别提醒，如果只把人工接管的动作直接送入训练，往往无法定位故障的根源。沿着「五个为什么」逐层追溯，才能判断下一步应该补充哪些训练数据、更换哪个硬件组件，或是调整现场作业流程。

部署积累的财富，从来不止是机器人习得的动作策略，还包含整套团队处置故障的工程经验。同一次作业失败，背后有可能是感知模块存在盲区，也可能是硬件缺陷或是操作流程不合理。全栈团队的价值，正是在这一类针对性调整之中体现。

Walden 也将自身的生产环节，当作试验场。按照 Russ 的介绍，团队已经启用自家机器人完成配料、设备看管以及部分装配工作，同步推进自研硬件的迭代。机器人如何简化制造流程、降低维修门槛、搭建稳定的供应链，都成为团队需要攻克的课题。

Russ 在演讲后半段提出一个清晰判断：机器人本身的制造能力，已经成为规模化落地的核心瓶颈。团队正在设计更适配量产的机型，并联合丰田推进工业化生产。

这条路线依旧处在早期阶段。工厂里习得的能力，能否跨任务迁移，还需要长期的现场运行持续验证。在少量设备稳定跑通之后，机队扩张又会带来全新的制造与运营难题。

Russ 坦言，如何稳定、批量地造出可用的机器人，是当下最牵动团队的问题。

从丰田研究院独立出来之后，Walden 将多年学术积累，嵌入真实客户的生产节奏之中。三万三千根凸轮轴的上料记录，只是其中一个可见的节点，背后串联着模型迭代、远程协同、故障复盘与硬件优化。

当这些环节逐步打通，团队期待机器人承接更多工序，也让每一次现场部署，都为下一次上岗做好更充足的准备。