在機器人技術不斷突破實驗室邊界、向復雜現實場景進軍的進程中，研究機構正發揮著愈發關鍵的作用。三菱電機研究實驗室（MERL）作為這一領域的先鋒代表，始終活躍在前沿探索的舞臺上。該實驗室作為三菱電機在北美的研發核心，由總裁兼首席執行官安東尼·韋特羅（Anthony Vetro）領銜，聚焦機器人技術的核心基礎研究，涵蓋感知、控制系統與機器學習等多個方向，業務范圍橫跨工業自動化、能源系統等領域，致力于打通理論研究與實際應用的“最后一公里”。

當前，機器人領域面臨的核心挑戰之一，便是如何跨越實驗室環境與真實工業場景之間的鴻溝。安東尼·韋特羅指出，在受控實驗室中表現優異的機器人系統，一旦進入真實工業場景，面對多變的環境和人機交互需求，往往難以維持穩定性能。要突破這一瓶頸，不僅需要在感知與控制技術上持續創新，更要將物理世界的深層規律融入人工智能模型，使機器人能夠真正理解并適應現實世界的復雜性。

在具體研究方向上，MERL正著力提升機器人的操控能力與力控精度。盡管在操控與力控領域已取得顯著進展，但機器人在處理精細、接觸密集型任務時，仍無法達到人類級別的可靠性。韋特羅解釋道，人類能夠根據感官反饋實時調整動作，而機器人在脫離訓練數據范圍后，泛化能力仍顯不足。通過將感知與基于物理的推理緊密結合，機器人正逐步學會在實時場景中做出更自然的響應，從而縮小與人類能力的差距。

預測性感知能力是MERL關注的另一重點。在人機共存的環境中，機器人需要具備預判人體動作和物體行為的能力，以確保安全、高效地運作。然而，真實場景中的不確定性給這一技術帶來了巨大挑戰。韋特羅強調，構建融合感知與物理動力學理解的強大模型，是實現順暢人機協作的關鍵。目前，MERL正通過整合多模態感知數據，提升機器人對動態環境的理解能力。

傳統機器人訓練方式依賴大量數據和耗時的編程過程，導致訓練成本高昂且難以擴展。為解決這一問題，MERL探索了利用增強現實與視聽交互界面開展機器人訓練的新方法。通過這些技術，操作人員可以直接在實際場景中引導機器人，大幅縮短部署準備時間。機器人還能通過示范和反饋以更自然的方式學習，從而降低部署門檻，提升訓練的靈活性與可擴展性。

在應用領域方面，MERL的研究方向與制造、物流和醫療等行業的實際需求高度契合。韋特羅表示，實驗室始終專注于開發能夠支撐真實場景部署的基礎性技術，重點關注自動化、效率提升和安全保障等核心挑戰。例如，在數據中心能效管理領域，物理AI技術已展現出巨大潛力。通過動態調控氣流分配，物理AI系統能夠將冷卻資源精準導向最需要的區域，在降低能耗的同時支持更主動的運維管理。

關于“物理AI”這一概念，韋特羅認為，其核心在于系統能夠理解并遵循物理世界的規律進行運作。隨著模型對物理規律的理解不斷深入，物理AI在復雜真實環境中的性能將持續提升，成本也將逐步降低。目前，除數據中心能效管理外，物理AI在工業自動化、智能物流等領域也正在取得實質性進展。

當被問及機器人真正具備在無結構化、有人參與環境中大規模可靠運行能力的關鍵里程碑時，韋特羅指出，這包括機器人在全新環境中持續穩定的表現，以及在共享空間中與人類安全互動的能力。機器人需要能夠在不確定性和變化條件下做出可靠響應，而實現這一目標的關鍵在于系統能夠實時整合感知、推理與物理理解。