Magic-VLA K02 của Magic Atom chinh phục thử thách xếp thùng và dán băng keo với tỷ lệ thành công trên 90%

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

19/07/2026 10:36:39 Nguồn: QbitAI

Trình diễn xếp hộp và dán băng keo tại WAIC, mở khóa kỹ năng mới cho AI vật lý

Ngày 17 tháng 7, trong khuôn khổ Hội nghị Trí tuệ Nhân tạo Thế giới (WAIC) 2026, Magic Atom đã ra mắt thành tựu mới nhất là mô hình VLA (Vision-Language-Action) đa năng tự phát triển mang tên Magic-VLA K02. Tại đây, công ty đã trình diễn trước công chúng nhiều tác vụ dài hạn phức tạp như xếp hộp dán băng keo, sắp xếp quần áo mềm và thu dọn hành lý.

Tại khu vực triển lãm, robot được trang bị Magic-VLA K02 có khả năng tự chủ hoàn thành việc hiểu tác vụ, lập kế hoạch từng bước, nhận diện vật thể và thực hiện các chuỗi hành động liên tục. Đồng thời, khi trạng thái môi trường thay đổi hoặc quy trình làm việc bị gián đoạn, robot có thể điều chỉnh chiến lược theo thời gian thực và khôi phục tác vụ.

Trong đó, tỷ lệ thành công của tác vụ kết hợp xếp hộp và dán băng keo đạt hơn 90%, thể hiện rõ nét năng lực của mô hình trong việc lập kế hoạch đa bước và thực thi ổn định, liên tục.

Theo Magic Atom, đây là lần đầu tiên trong ngành một mô hình VLA đa năng thực hiện trọn vẹn tác vụ kết hợp xếp hộp và dán băng keo.

Thành tựu này không chỉ kiểm chứng năng lực của Magic-VLA K02 trong việc lập kế hoạch dài hạn, điều khiển vật thể biến dạng, phục hồi sau nhiễu động và suy luận không gian đa vật thể, mà còn khẳng định giá trị của nó như một nền tảng công nghệ cốt lõi cho robot của Magic Atom, xây dựng nền tảng thông minh thống nhất để các loại robot đa hình thái tiến vào môi trường làm việc thực tế, hiện thực hóa khả năng chuyển đổi năng lực và triển khai quy mô lớn.

Ba loại kịch bản phức tạp, hướng tới năng lực thao tác đa năng

Trong buổi trình diễn tại WAIC lần này, Magic Atom đã tập trung kiểm chứng năng lực thao tác đa năng của Magic-VLA K02 thông qua ba loại kịch bản có sự khác biệt rõ rệt về thuộc tính vật lý và cấu trúc tác vụ.

Xếp hộp và dán băng keo không chỉ là các công đoạn cơ bản trong logistics, sản xuất công nghiệp, thương mại điện tử mà còn là những tác vụ thao tác có độ khó cao được công nhận trong lĩnh vực trí tuệ nhân tạo hiện thân (Embodied AI).

Hai tác vụ này lần lượt liên quan đến việc điều khiển chính xác vật thể cứng và điều khiển linh hoạt vật thể mềm, mức độ tự động hóa của chúng ảnh hưởng trực tiếp đến hiệu suất đóng gói, mức độ tiêu chuẩn hóa công việc và chi phí nhân lực.

Tại hiện trường WAIC, Magic-VLA K02 có thể nhận diện thời gian thực các loại thùng hàng với quy cách, kích thước và hình thái khác nhau, tự động điều chỉnh điểm gắp, góc chịu lực và tư thế xếp chồng của cánh tay robot. Kết hợp với khả năng cảm nhận không gian, kiểm soát trọng tâm và phản hồi lực, robot có thể điều chỉnh linh hoạt các tình huống như thùng hàng bị lệch hoặc biến dạng.

Trong quá trình dán băng keo, mô hình điều chỉnh quỹ đạo đầu cuối và lực dán theo thời gian thực dựa trên độ biến dạng của băng keo và trạng thái bề mặt thùng hàng, từ đó giảm thiểu các vấn đề như bong bóng khí, lệch, nhăn và đứt băng keo.

Thách thức hơn cả là việc xếp hộp và dán băng keo không đơn thuần là sự kết nối của hai hành động, mà là một quy trình dài hạn bao gồm lập kế hoạch tác vụ, cảm nhận trạng thái, thực thi liên tục và phục hồi khi có sự cố.

Đối mặt với tác vụ này, Magic-VLA K02 không chỉ đơn giản là xếp chồng các hành động cơ khí được cài đặt sẵn, mà phân tách quy trình hoàn chỉnh thành một loạt các "tác vụ nguyên tử" (atomic tasks) có trình tự thời gian rõ ràng. Mô hình liên tục cập nhật trạng thái hiện tại dựa trên kết quả thực thi của từng bước và lập kế hoạch động cho các hành động tiếp theo, từ đó giảm thiểu sự tích tụ sai số trong các thao tác đa bước ngay từ nguồn.

Khi vị trí thùng hàng bị lệch, trạng thái băng keo thay đổi hoặc quy trình bị gián đoạn bất ngờ, mô hình có thể cảm nhận lại môi trường, đánh giá tiến độ tác vụ và sửa đổi quỹ đạo thực thi để tiếp tục hoàn thành công việc trong môi trường máy thật mà không cần sự can thiệp của con người.

Ngoài xếp hộp và dán băng keo, Magic-VLA K02 còn hoàn thành việc sắp xếp quần áo mềm và thu dọn hành lý tại hiện trường.

Việc sắp xếp quần áo hướng tới khả năng điều khiển vật thể mềm với độ tự do cao.

Quần áo thiếu hình thái hình học ổn định, đường nét, góc cạnh và trạng thái cục bộ của chúng dễ bị ảnh hưởng bởi trọng lực, sự tiếp xúc và chuyển động của cánh tay robot.

Magic-VLA K02 có thể chọn vị trí gắp một cách linh hoạt dựa trên thông tin thị giác thời gian thực, liên tục điều chỉnh lực tác động, góc độ hành động và quỹ đạo thực thi để hoàn thành liên tục các bước trải phẳng, ép cạnh, gấp đôi, thu góc và chỉnh tề.

Phần thử thách ngắt quãng quá trình gấp quần áo tại hiện trường đã kiểm chứng thêm khả năng phục hồi tác vụ của mô hình.

Khi khán giả di chuyển hoặc làm xáo trộn quần áo trong quá trình thao tác, robot không tiếp tục thực hiện máy móc quỹ đạo cũ mà nhận diện lại trạng thái quần áo, đánh giá sai lệch tác vụ và khôi phục các thao tác tiếp theo dựa trên thông tin môi trường mới nhất.

Trong tác vụ thu dọn hành lý, mô hình cần xử lý đồng thời mối quan hệ ràng buộc giữa nhiều vật thể và không gian hạn chế. Robot có thể nhận diện khu vực khả dụng trong vali, hiểu hình thái, kích thước và khả năng xếp chồng của các đối tượng khác nhau như quần áo, hộp đồ, từ đó lập kế hoạch tổng thể về vị trí đặt, thứ tự thao tác và cách tận dụng không gian.

Ba loại tác vụ này lần lượt liên quan đến suy luận cấu trúc, mô hình hóa biến dạng mềm, phục hồi tác vụ dài hạn và lập kế hoạch không gian đa vật thể. Những gì được trình diễn tại hiện trường không phải là ba chương trình cố định độc lập, mà là sự thể hiện năng lực của cùng một khung mô hình trong các tác vụ khác nhau.

Kiến trúc hệ thống kép phân tầng, hỗ trợ thực thi liên tục các tác vụ phức tạp

Việc Magic Atom có thể trình diễn cả ba loại tác vụ tại WAIC trên cùng một khung mô hình là nhờ kiến trúc hệ thống kép phân tầng được xây dựng cho các tác vụ dài hạn của Magic-VLA K02.

Kiến trúc này bao gồm hệ thống "Hiểu - Tạo mô hình thống nhất" ở tầng cao và hệ thống tạo hành động ở tầng thấp phối hợp với nhau, tạo nên chuỗi liên kết hoàn chỉnh từ hiểu tác vụ, phân tách tác vụ nguyên tử, tạo mục tiêu thị giác, dự đoán trạng thái tương lai đến thực thi hành động liên tục.

Trong đó, hệ thống tầng cao chịu trách nhiệm ra quyết định tổng thể và lập kế hoạch tác vụ. Đối mặt với các chỉ dẫn dài hạn trừu tượng, mô hình có thể kết hợp thông tin thị giác thời gian thực để hiểu ngữ nghĩa và suy luận đa bước, phân tách mục tiêu hoàn chỉnh thành một loạt các tác vụ nguyên tử có thể thực thi.

Lấy ví dụ về xếp hộp dán băng keo, mô hình cần lần lượt đánh giá xem hiện tại nên hoàn thành việc nhận diện thùng hàng, điều chỉnh gắp, căn chỉnh vị trí, định vị băng keo hay ép dán, và lập kế hoạch cho hành động tiếp theo dựa trên kết quả thực tế của các bước trước đó, thay vì tạo ra một bộ hành động cố định ngay từ đầu.

Để ràng buộc thêm hướng hành động, hệ thống tầng cao sẽ tạo ra "hình ảnh kết quả then chốt" dựa trên dự đoán kết quả tác vụ, làm rõ mục tiêu thị giác của từng bước. Nhờ đó, robot không chỉ biết "hiện tại cần làm gì" mà còn có được tham chiếu mục tiêu về "trạng thái nên đạt được sau khi hoàn thành", giúp tối đa hóa tỷ lệ thành công của tác vụ.

Hệ thống tầng thấp chịu trách nhiệm chuyển đổi các tác vụ nguyên tử và mục tiêu thị giác đã được phân tách từ tầng cao thành các hành động robot liên tục. Hệ thống này được cấu thành từ mạng lưới xương sống VLM, mô-đun chuyên gia động và mô-đun chuyên gia hành động.

Trong đó, mô-đun chuyên gia động có thể suy diễn trước những thay đổi về hình thái vật thể và bối cảnh mà hành động hiện tại có thể gây ra. Ví dụ, trong quá trình gấp quần áo, mô hình không chỉ chú trọng vị trí gắp hiện tại mà còn cần dự đoán trạng thái của vải sau khi gắp và lật, tránh việc hành động cục bộ đúng nhưng kết quả tổng thể lại lệch khỏi mục tiêu.

Còn mô-đun chuyên gia hành động chịu trách nhiệm xuất ra chuỗi hành động liên tục, mượt mà, nâng cao tính ổn định trong sự kết nối giữa các hành động liền kề như gắp, bẻ cong, di chuyển, dán và đặt, giảm thiểu rung lắc cơ khí, đột biến hành động và lệch quỹ đạo.

Thông qua sự phối hợp giữa lập kế hoạch tầng cao và thực thi tầng thấp, Magic-VLA K02 có thể liên tục trả lời ba câu hỏi: hiện tại cần hoàn thành việc gì, sau khi hoàn thành nên đạt trạng thái nào, và cụ thể nên thực hiện hành động như thế nào. Từ đó, các thao tác liên tục, sửa lỗi động và phục hồi sau nhiễu động trong buổi trình diễn đã được đưa vào một vòng lặp khép kín của tác vụ dài hạn.

Bốn ưu thế năng lực, tăng cường hiệu quả triển khai tác vụ dài hạn

Dựa trên kiến trúc hệ thống kép phân tầng, Magic-VLA K02 tiếp tục xây dựng vòng lặp khép kín đầu-cuối (end-to-end) "Cảm nhận - Hiểu - Ra quyết định - Thực thi" ở cấp độ triển khai suy luận.