ABB 把视觉 Physical AI 装进服装分拣模块：AI Robot Trainer 降低部署门槛 时间：2026-10-16 16:07 加入技术交流群 扫码加入和技术大咖面对面交流海量资料库查询

ABB Robotics 在 10 月 15 日推出其首个端到端、基于视觉的工业级 Physical AI 方案，把 AI Robot Trainer 集成进 Fashion Inductor 功能模块，面向服装与服饰物流的自动分拣。ABB 称，该组合可把系统集成商的工程与调试工作量最多减少 75%。

Fashion Inductor 针对的是服装物流的高度不确定性：商品、包装与作业条件持续变化。按 ABB 公布的数据，该模块每单元每小时可分拣最高 1300 件，抓取准确率目标高于 99.5%，依托其 AI 自动路径规划、运动精度与专用视觉技术实现。新增的 AI Robot Trainer 提供预训练的服装专用视觉模型、应用工具与快速再训练能力，让集成商在没有专业 AI 团队的情况下完成部署与持续优化。

集成 AI Robot Trainer 的 ABB Fashion Inductor 模块现场演示

图片来源：ABB

配套新增的数字孪生是模块软件的精确副本，把应用控制器平台（Application Controller Platform）、自动路径规划、AI Robot Trainer 与 RobotStudio 连在一起，既加快调试，也支持接入夹爪等第三方部件。AI Robot Trainer 的再训练走闭环流程：监控机器人表现、识别异常、生成新的训练数据，再把改进部署回物理机器人。在整个生命周期里，RobotStudio 负责虚拟设计、仿真与验证，OmniCore 控制器在生产现场作为执行层。

ABB 表示，Fashion Inductor 是其视觉类 Physical AI 铺开的第一步，同样的 AI Robot Trainer 方式将持续扩展到更多视觉应用，时间跨度到 2027 年一季度，服务于更自主、更多用途的机器人。

服装分拣这类工序长期难以自动化，原因不在抓取动作本身，而来料的形状、材质与堆叠方式几乎每次都不一样。用预训练视觉模型加上单元级再训练，实际上是把「适配变化」这件事从每次重新编程变成持续微调，这也是 Physical AI 在工业场景里区别于传统视觉引导的地方。真正决定成败的指标不在实验室，而在换季、换商品、换包装时，系统需要多长停机时间才能重新稳定到目标准确率。