2024世界机器人大会上，27款人形机器人整机亮相。展台之外，汽车工厂已经开始接收第一批机器“实习生”。
浙江大学湖州研究院2024年8月22日的报道提到，宁波极氪5G智慧工厂引入了优必选Walker S Lite。它身高135厘米，被该报道描述为国内首个在汽车工厂全流程执行搬运任务的人形机器人。
海外车厂也在测试类似方案。据雷峰网报道，Figure 01进入宝马位于美国南卡罗来纳州斯帕坦堡的工厂，在仓储、钣金等车间工作；Apptronik则与奔驰合作，让Apollo承担搬运、装配等任务。
这些项目先回答了一个问题：人形机器人能不能进厂干活。生产安全接着会追问得更细——路线临时封闭时，它是否会停下？现场规则发生变化后，它会继续照原计划执行，还是把决定交还给人？
车间比展台多一道门槛
一次搬运或装配成功，只能说明机器人具备完成动作的能力。真实车间还存在设备检修、人员穿行、区域管制和任务调整。这里的“非结构化”，指的是规则分散在安全手册、警示标牌、地面标线和现场指令中，还会随工况变化。
人类工人看到禁行标识，通常会停下并重新判断路线。机器人若只识别目标物和预设路径，也可能在机械层面准确执行，却在安全管理层面越界。
《人形机器人技术发展趋势、安全风险与应对策略》将人形机器人的主要系统分为机械运动结构、运动控制系统和智能感知系统，也就是常说的“肢体”“小脑”和“大脑”。放到工厂安全里，三者必须连起来：感知系统看到标识和人员，判断模块匹配现场规则，运动控制再执行停下、避让或降速。任何一层断开，手册里的规定都到不了机器人的脚下和手上。
安全手册要进入控制链
把PDF交给多模态模型，可以解决检索和语义匹配问题，但距离安全执行还有几步。规则需要被拆成适用对象、触发条件、规定动作和人工确认条件，再写入任务规划与控制流程。
比如，禁入信息应成为路径规划的硬约束；设备检修状态应触发暂停任务；搬运要求则要调用对应的速度、力度和抓取策略。机器人识别出一句话还不够，控制系统必须知道这句话会改变哪个动作。
视觉语言模型适合处理手册、标牌和现场图像之间的语义关系。最后一道闸门仍应留给可验证的规则和本地控制器：模型给出理解结果，控制器检查是否触碰禁区、停机或人工确认条件。高风险动作如果完全等待远端判断，网络波动也会成为新的安全变量。
在工业应用中，安全合规应直接进入任务规划，不能等动作生成后再做事后检查。
临时变化最考验机器人
Figure 01每天连续工作20小时，说明人形机器人的持续作业能力已经有了可见进展。产线是否愿意长期使用，还要看它如何处理计划外情况。
原路线被占用、警示牌位置变化、工人临时进入作业区，这类信息很难全部预写成固定路径。机器人需要结合实时感知重新判断：继续任务、降低速度、绕行，还是立即停下并请求人工确认。
工业落地的分水岭，落在机器人拒绝错误动作的能力上。一次成功搬运容易展示，持续守规矩则需要反复验证。人形结构让机器人更容易进入为人设计的空间，也意味着它会遇到更多现场变量。
安全主管要看得见判断依据
工厂不需要机器人写一篇长篇自我辩护。安全日志只要回答几个具体问题：它看到了什么，匹配了哪条规则和哪个版本，为什么停下或绕路，是否发生过人工接管。
如果机器人避开了某段通道，记录中应保留对应的感知结果、规则依据和路径调整。遇到无法确认的标识或相互冲突的指令，也应记录它何时暂停任务、何时把控制权交给安全员。
这套记录类似机器人的“黑匣子”。有了完整链路，复盘时才能定位问题出在感知、规则配置还是控制执行，避免把所有异常笼统归为“机器人失灵”。人工监督也不必全程盯着每个动作，可以集中处理低置信度判断和规则冲突。
读懂规则后，还得做得到
安全规程最终要落到物理动作上。前述安全内参文章提到，人形机器人会使用视觉、听觉、测距、惯性以及力和触觉等传感器。它们在安全链路中的作用并不相同：视觉负责识别标识和位置，力与触觉传感器负责接触后的反馈，运动控制系统则限制速度、力度和路径。
机器人识别出“轻拿轻放”之后，还要把这句话转成具体的抓取与搬运动作。只完成文本理解，物体依然可能被捏坏；只有触觉反馈和运动控制同步介入，规则才算真正执行。
Walker S Lite、Figure 01和Apollo已经把人形机器人带进汽车制造现场。下一阶段的目标很实在：让每条有效规则都能约束路径、速度、力度和停机条件；遇到信息不足或规则冲突，机器人先停下，把决定交给人。
安全生产手册成为控制系统的一部分后，人形机器人才有长期上岗的基础。
