RobotClaw vs VLA
工业具身智能技术路线深度对比研究
摘要
本报告以2025-2026年国际前沿期刊论文和科技文献为研究基础，对机器人智能控制领域两条主流技术路线进行系统性综述与对比分析。VLA路线以端到端视觉-语言-动作模型为核心，代表工作包括Nature Machine Intelligence发表的RoboVLMs框架、IEEE Access VLA综述论文、Physical Intelligence π0.5等；PLC+Agent路线以工业实时控制与AI Agent融合为方向，代表工作包括IEEE ReACT(Gen AI for IEC 61499)系统、CERN openlab工业AI Agent项目、工业互联网联盟云化PLC测试床等。
报告首次提出"PLC作为NVIC式多任务调度引擎"架构：借鉴ARM Cortex-M NVIC的硬件优先级抢占机制，将PLC Runtime定位为5级优先级确定性调度器——安全任务(PRI-0, <100μs)、运动控制(PRI-1, 0.5~4ms)、场景动态加载(PRI-2, <1ms)、状态监测(PRI-3, 10~100ms)、后台任务(PRI-4)。云端基座模型负责长程业务流编排，生成场景模型参数包下发至PLC热加载，实现"AI大脑+PLC安全小脑"的分层融合架构。
引言：问题的提出
2025-2026年，工业自动化与人形机器人领域正经历前所未有的技术范式变革。两条截然不同的技术路线正在争夺"工业具身智能"的定义权：
VLA路线 继承了大语言模型（LLM）和视觉语言模型（VLM）在互联网规模数据上取得的泛化突破，将其迁移至物理世界的机器人控制。2026年1月发表在Nature Machine Intelligence上的系统研究"What matters in building vision-language-action models"表明，通过正确选择VLM骨干网络、动作注入架构和跨具身数据训练策略，VLA模型已展现出训练数据中不存在的自校正涌现能力。同年Physical Intelligence的π0.5实现了零样本复杂家庭任务执行，Figure AI人形机器人在BMW产线实现了8小时连续自主装配。
PLC+Agent路线 扎根于工业自动化60年的可靠性工程积累。2025年IEEE ICMLA发表的ReACT系统首次将Gen AI Agent引入IEC 61499功能块标准，通过LLM驱动自然语言推理与工业控制逻辑生成。同年CERN openlab与Siemens合作推进"Industrial Edge-Cloud and AI-based Agents"项目，探索LLM自动生成PLC代码的技术路径。工业互联网联盟（AII）2025年发布的"融合确定性网络与工业AI智能体的云化PLC测试床"验证了5G+云化PLC+AI智能体三方融合的可行性。Gartner 2025年预测AI Agent将在2028年前覆盖40%企业应用。
本报告试图回答三个核心问题：
- 基于最新文献，两条路线各自的技术边界在哪里？当前存在的核心瓶颈是什么？
- RobotClaw+PLC智能体路线在工业场景中的可行性如何？其相对于纯VLA路线的独特价值是什么？
- 融合架构的关键技术挑战有哪些？可行的解决方案和实施路径是什么？
一、VLA领域前沿研究综述
1.1 综述概览：VLA研究全景
2025年10月，东京大学、牛津大学和德州大学奥斯汀分校联合在IEEE Access（Vol.13, pp.162467-162504）发表了一篇面向真实世界应用的VLA模型系统综述。该综述追溯了从分离式架构到统一VLA框架的完整演进路径，覆盖视觉编码器、语言模型和动作解码器三个核心组件，并按模态处理、学习范式和架构设计三个维度建立了VLA分类学。
该综述还系统梳理了支撑VLA研究的基础设施，包括常用机器人平台（Franka、WidowX、Google Robot等）、数据采集策略（遥操作、模仿学习、自监督探索）、公开数据集（Open X-Embodiment含970k+演示、22种形态），以及评估基准（CALVIN、SimplerEnv、LIBERO等）。
1.2 Nature Machine Intelligence：什么使VLA有用？
2026年2月发表在Nature Machine Intelligence上的论文"What matters in building vision–language–action models for generalist robots"是VLA领域迄今最系统性的设计指南。该研究通过超过600个独立设计实验，评估了8种VLM骨干网络和4种策略架构在三类仿真基准和真实机器人实验中的表现。
四种VLA策略架构对比
| 架构类型 | 代表模型 | 动作表示 | 关键特点 |
|---|---|---|---|
| Policy-Head-Continuous | RoboFlamingo | 连续动作预测头 | 直接回归关节角度/位姿 |
| One-Step-Discrete-Action | RT-2, OpenVLA | 单步离散化动作Token | 复用LM自回归生成范式 |
| Interleaved-Continuous-Action | Octo, GR系列 | 固定窗口交错连续动作 | 时序上下文建模 |
| MoE (混合专家) 结构 | RoboVLMs (本文) | 视觉-语言token与动作token分离 | 保留原始VLM参数，SOTA |
跨具身训练策略消融实验
| 训练策略 | 描述 | 效果 |
|---|---|---|
| Direct Finetune | 仅目标机器人数据微调 | 基线，数据效率低 |
| OXE Co-Train | 先跨具身数据联合训练，再微调 | 提升泛化能力 |
| Post-Train | Co-Train后加跨具身Post-Training，再微调 | 最优策略 |
1.3 VLA架构分类学（基于IEEE Access综述）
VLA模型的架构设计可沿三个维度进行分类：
维度一：模态编码
- 视觉编码器：从CNN(ResNet)演进到ViT(CLIP/DINOv2/SigLIP)，当前主流使用冻结预训练ViT+可训练投影层
- 语言模型：从LLaMA到PaLI/Gemini，参数规模3B~55B不��。关键在于保持语言理解能力的同时适配动作空间
- 动作表示：连续vs离散的根本分歧。连续表示精度高但需要专门的动作头；离散表示利用LM的自回归token预测但精度受限
维度二：学习范式
- 行为克隆 (BC)：最广泛的范式，从遥操作/示教数据中直接学习状态→动作映射，Sim-to-Real迁移是关键
- 强化学习+LLM：用LLM生成奖励函数或子目标，RL执行底层策略优化
- 自我改进：RT-2-X蒸馏、模型自我对弈、人类反馈强化学习(RLHF)
维度三：泛化策略
- 跨物体泛化：训练数据中的物体类别→未见过的物体类别
- 跨任务泛化：已学技能的重新组合
- 跨形态泛化：不同机械臂/机器人形态间的零样本迁移（OpenVLA已实现22种形态）
1.4 2025-2026年主要玩家全景对比
| 模型/机构 | 参数 | 架构 | 控制频率 | 核心创新 | 商业化状态 |
|---|---|---|---|---|---|
| π0.5 (PI) | 3B | Flow Matching VLA | 50Hz | 零样本复杂家务，灵巧操作 | B轮$4亿，企业试点 |
| Figure Helix | 7B+80M | 双系统VLA | 200Hz | S2慢思考+S1快执行，触觉传感3g | BMW/Amazon产线试点 |
| Gemini Robotics | 未公开 | 多模态VLA | ~20Hz | 超大规模多模态+空间推理 | 2026年有限商用 |
| RT-2-X | 55B→蒸馏 | 离散Token VLA | 5~50Hz | 体系化工具链(AutoRT等) | 研究开放 |
| NVIDIA GR00T | 多尺度 | Transformer+扩散 | 可变 | 仿真-现实对齐，平台生态 | Isaac生态开放 |
| 1X NEO Redwood | 160M | 端到端VLA | 高频 | 极轻量，本地GPU部署 | 挪威50家庭试点 |
| Tesla Optimus G3 | 未公开 | 端到端NN | 未公开 | 双足行走，工厂规模化 | 超级工厂内部部署 |
1.5 VLA路线的核心挑战与局限性
基于文献综述，VLA路线在工业部署中面临五个核心挑战：
挑战一：实时性鸿沟
VLA模型的端到端推理延迟（25~200ms）与工业硬实时需求（<1ms确定性）之间存在1-2个数量级的差距。即便Figure Helix的200Hz S1层，其S2推理仍需100~140ms。在高速装配线（节拍<100ms）、精密运动控制（轨迹精度<0.1mm）等场景中，VLA当前完全无法替代PLC。
挑战二：安全性认证缺失
IEC 61508 SIL认证要求对系统的失效概率进行量化评估（PFH/PFD），而这对于概率性输出的深度学习模型几乎不可能做到。ISO/IEC TR 5469:2024虽然开始探索AI功能安全框架，但距离正式的SIL认证路径仍有显著差距。VLA模型的"幻觉"问题可能输出危险动作，且缺乏独立于AI路径的兜底机制。
挑战三：Sim-to-Real泛化差距
域随机化、Teacher-Student蒸馏等方法虽能弥合部分Sim-to-Real差距，但在高精度工业场景（<0.1mm重复定位精度）中，仿真到真实的误差仍然是致命问题。工业部署最可靠的方案（数字孪生实时校准）需要持续的真实数据采集和仿真更新，成本高昂。
挑战四：数据飞轮启动慢
与LLM领域不同，机器人领域的训练数据获取成本极高：人类遥操作每小时$50-150，6DOF位姿标注需专业设备。具身智能2026报告明确指出，机器人数据飞轮启动速度远慢于大语言模型领域，仅少数资本雄厚的公司能够负担。
挑战五：长尾覆盖与组合泛化不足
Foundation Model Driven Robotics综述论文指出了"组合泛化不足"问题：能否将已学技能组合为未见过的复杂序列？训练数据无法覆盖所有物理情况的长尾分布，而工业场景恰恰对长尾覆盖有强制要求。
二、PLC+Agent领域前沿研究综述
2.1 工业AI Agent研究现状
与VLA路线"端到端感知→动作"的范式不同，PLC+Agent路线的核心思想是推理与执行解耦：云端或边缘的AI Agent负责任务级的推理、规划与编排，工业PLC Runtime负责毫秒级的确定性执行。这一范式正在获得学术界和工业界的前沿关注。
CERN openlab：工业边缘云与AI Agent融合
2026年CERN openlab与Siemens联合推进的"Industrial Edge-Cloud and AI-based Agents"项目标志着工业Agent研究的里程碑。该项目将工业知识库与AI Agent集成，探索LLM驱动的自动PLC代码生成技术。核心目标是加速工业自动化工程从设计到部署的端到端流程，将传统数周的PLC编程周期缩短至数小时。
2.2 云化PLC与AI智能体融合
2025年8月，工业互联网产业联盟（AII）发布了"融合确定性网络与工业AI智能体的云化PLC测试床"报告，这是国内首个系统性验证5G确定性网络+云化PLC+AI智能体三方融合的技术方案。测试床验证了以下关键能力：
- 5G uRLLC确定性时延：端到端控制回路时延<5ms（99.999%可靠性），满足大部分离散制造场景
- 云化PLC虚拟化：PREEMPT_RT内核补丁+CPU isolcpus亲和性绑定，确定性延迟<50µs
- AI智能体编排：基于LLM的工艺参数优化Agent，与云化PLC通过OPC UA实时交互
- 软硬件解耦：云化PLC打破传统PLC的专有硬件壁垒，控制系统软件化、容器化
2.3 多Agent制造系统前沿
2025年IFAC MIM会议发表的"Multi-Agent Systems for Manufacturing Digital Twins"论文以及arXiv预印本"Hybrid Agentic AI and Multi-Agent Systems in Smart Manufacturing"为多Agent制造系统提供了理论基础。核心观点包括：
- 过程驱动控制范式：多Agent系统代表了控制过程驱动系统的有效范式，允许在过程级别动态控制（再）制造，同时保持人类监督
- 混合Agent架构：生成式AI与反应式Agent的混合架构在智能制造中展现出最佳效果——LLM Agent负责高层规划，专用Agent负责底层控制
- 数字孪生集成：Frontiers in AI发表的"Generative and Predictive AI for Digital Twin"论文验证了AI-DT系统在制造场景中的效果
2.4 ReACT：Gen AI Agent for IEC 61499
2025年10月发表在IEEE ICMLA上的ReACT系统（Gen AI Agents for Reasoning, Planning, and Testing in IEC 61499-Based Control Systems）是PLC+Agent路线的代表性学术工作。该系统提出了一种LLM驱动的IEC 61499工业控制Agent，具备三项核心能力：
- 推理（Reasoning）：接受操作员自然语言指令，推理出所需的控制逻辑和状态机结构
- 规划（Planning）：将高层指令分解为IEC 61499功能块网络（Function Block Network），自动生成控制应用架构
- 测试（Testing）：生成测试用例并在数字孪生环境中验证控制逻辑的正确性
三、核心维度系统对比
3.1 实时性对比
| 指标 | VLA路线 | PLC+Agent路线 | 对比 |
|---|---|---|---|
| 控制周期 | 25~200ms (推理) | 0.1~20ms (PLC扫描) / 0.5~4ms (运动控制) | 差距1~2数量级 |
| 抖动 | 毫秒级 | ≤100ns (EtherCAT DC) | 差距3~4数量级 |
| 确定性 | 概率性输出 | 100%硬件保证 | 本质差异 |
| 同步精度 | 无保证 | 1000轴纳秒级同步 | VLA无此能力 |
| 文献证据 | Nature MI 2026 (推理延迟报告) | EtherCAT TG 2026 (DC≤100ns) | — |
3.2 泛化能力对比
| 指标 | VLA路线 | PLC+Agent路线 |
|---|---|---|
| 零样本泛化 | 强 (RT-2: +94%) | 弱 (需规则扩展) |
| 跨形态迁移 | 22种机器人形态 (OpenVLA) | 不支持 |
| 组合泛化 | 有涌现但不可靠 | 不支持 |
| 可解释性 | 低 (黑盒) | 高 (逻辑可追溯) |
| 文献证据 | Nature MI 2026 (自校正涌现) · IEEE Access综述 | ReACT (IEC 61499形式化) |
3.3 安全性对比（最关键维度）
| 维度 | VLA路线 | PLC+Agent路线 |
|---|---|---|
| SIL认证 | 无路径 | IEC 61508 SIL1~3全覆盖 |
| 冗余架构 | 无 | 1oo2/2oo3投票，双通道输入 |
| Fail-Safe | 无从定义 | 硬件保证，独立安全回路 |
| 失效概率量化 | 不可计算 | PFH/PFD可量化 |
| AI安全框架 | ISO/IEC TR 5469:2024探索中 | 安全检查器过滤+独立PLC兜底 |
| 文献证据 | Safe & Certifiable AI (arXiv 2025) | IEC 61508 (2010) · ISO/IEC TR 5469 (2024) |
3.4 部署成本对比（3年TCO）
| 成本项 | VLA路线 | PLC+Agent路线 |
|---|---|---|
| 硬件 | $2,000-5,000/设备 (边缘GPU) | $500-5,000/套 |
| 云端推理 | $5-15/小时/机器人 | 按需调用 ($0.5-2/小时) |
| 开发周期 | 模型优化2-4周/版 | 场景模型配置1-3天 |
| 折旧周期 | 6-12月换代 | 5-10年 |
| 3年总TCO | $15,000-80,000 | $10,000-30,000 |
3.5 标准化程度对比
| 标准域 | VLA路线 | PLC+Agent路线 |
|---|---|---|
| 编程语言 | 无标准 | IEC 61131-3 (5种语言) |
| 信息模型 | 无标准 | OPC UA (IEC 62541) |
| 功能安全 | ISO/IEC TR 5469探索 | IEC 61508 (成熟) |
| 通信协议 | 无统一标准 | EtherCAT/PROFINET/EtherNet/IP |
| 网络安全 | 无标准 | IEC 62443 |
| 评估基准 | CALVIN/SimplerEnv/LIBERO | HIL测试/MTBF/SIL认证 |
四、RobotClaw+PLC智能体路线：可行性、价值与挑战
4.1 可行性分析（基于文献证据）
技术可行性：五条文献支撑链
- 云化PLC已验证：AII测试床(2025)证明了PREEMPT_RT+5G uRLLC+云化PLC的确定性控制待性，端到端<5ms（99.999%可靠性）
- LLM→IEC控制已证明：ReACT(2025)验证了LLM自动生成IEC 61499功能块网络的技术路径
- 多Agent制造可行：IFAC MIM(2025)和arXiv的多Agent制造系统论文提供了"LLM Agent规划+专用Agent执行"的架构范式
- AI安全过滤器可行：Safe & Certifiable AI (arXiv 2025)提供了AI输出经安全检查器过滤再转发到安全PLC的架构模式
- 工业AI Agent起步：CERN openlab (2026)验证了LLM自动生成PLC代码的工程可行性
经济可行性
3年TCO对比：RobotClaw+PLC方案（$10,000-30,000）显著低于纯VLA方案（$15,000-80,000）。核心优势在于：PLC存量资产复用（全球数亿台PLC运行中）、标准化硬件采购（无GPU依赖）、5-10年折旧周期 vs VLA 6-12月换代。云端推理成本仅为VLA方案的1/10~1/30（RobotClaw仅需非实时场景任务编排，VLA需实时逐帧推理）。
4.2 核心价值主张
基于文献综述的核心结论，RobotClaw+PLC路线的价值在于解决了VLA路线无法单独解决的三个工业核心矛盾：
价值一：硬实时确定性与泛化智能的不可兼得——RobotClaw实现了"解耦后两者兼得"
VLA路线的根本矛盾在于：一个端到端模型既要做长程推理（需要大模型→高延迟），又要做实时控制（需要低延迟→小模型）。Nature MI 2026论文表明最优VLA模型仍有25~200ms延迟。
RobotClaw+PLC通过"云端推理编排+PLC NVIC执行引擎"的分层解耦，将高延迟容忍的长程推理下推到云端（200~2000ms），将低延迟要求的实时控制保留在PLC本地（<100μs），实现了二者的最优组合。这一定位与2025年IFAC多Agent制造系统的"混合Agent架构"结论高度一致。
价值二：安全认证是VLA的"最后一公里"——RobotClaw用安全检查器+独立安全PLC桥接
Safe & Certifiable AI综述清楚指出，深度学习模型的概率性输出使得IEC 61508 SIL认证的失效概率量化（PFH/PFD）无法计算。RobotClaw+PLC通过"AI输出→安全检查器过滤→独立安全PLC兜底"的三层架构，在保留AI推理能力的同时，用业已成熟的SIL认证体系保证安全底线。
价值三：存量兼容与渐进式升级——不颠覆60年工业自动化积累
全球制造业运行着数亿台PLC。RobotClaw+PLC方案允许在不替换现有PLC基础设施的前提下，通过叠加AI Agent编排层实现智能化升级。这与CERN openlab (2026)的愿景一致："加速工业自动化工程从设计到部署的端到端流程"，而非重建整个控制栈。
4.3 潜在问题与挑战
| 挑战 | 描述 | 严重程度 |
|---|---|---|
| 场景模型泛化边界 | PLC热加载的场景模型覆盖范围取决于预定义的Skill Library，无法像VLA那样零样本泛化到完全未知场景 | 高 |
| 云-边通信可靠性 | 云端推理编排→PLC下发的链路上，5G/WiFi网络中断或抖动可能导致新场景模型无法及时下发 | 中高 |
| 长程推理延迟影响产线节拍 | 云端Foundation Model推理需要200~2000ms，如果需要频繁切换场景模型，累积延迟可能拖慢产线节拍 | 中 |
| 多Agent协调一致性 | 多台PLC+Agent并行运行时，云端编排需要保证全局一致性，避免Agent间的竞争条件或死锁 | 中 |
| 安全检查器的完备性 | 安全检查器的规则集能否覆盖所有危险边界条件？边缘情况（corner case）可能被遗漏 | 高 |
| 标准缺失 | 当前无针对"AI Agent+PLC"的行业标准。IEC 61499虽支持分布式控制，但未涵盖LLM驱动的Agent推理 | 中 |
4.4 解决方案与技术路径
| 挑战 | 解决方案 | 技术路径 | 文献依据 |
|---|---|---|---|
| 场景模型泛化 | Skill Library分层设计 | L0原子技能(PLC硬编码) → L1组合技能(参数化) → L2推理技能(LLM搭配参数) | ReACT (2025): LLM生成IEC 61499功能块 |
| 通信可靠性 | 本地缓存+预加载 | PLC本地缓存常用场景模型(前N高概率)，云端预推下一场景 | AII测试床 (2025): 5G uRLLC <5ms |
| 推理延迟 | 异步流水线+预测编排 | 当前任务执行中即推理下一场景，利用PLC内部的场景切换间隙 | 多Agent制造 (IFAC 2025) |
| Agent一致性 | 全局任务图锁+乐观并发 | 云端编排生成全局任务图→PLC本地执行→冲突检测→回滚或等待 | MAS数字孪生 (IFAC 2025) |
| 安全检查完备性 | 形式化验证+安全包络 | PLC安全任务参数化安全包络（位置/速度/力矩上界），越界触发硬件中断 | Safe AI (arXiv 2025) |
| 标准缺失 | 参与IEC/GB制定 | 推动"AI Agent+PLC"混合认证标准，参照IEC 61508 Annex F（软件安全） | ISO/IEC TR 5469 (2024) |
五、融合架构设计：四层模型与实施路径
5.1 四层分层控制模型
| 层级 | 主导 | 职责 | 延迟 | 文献依据 |
|---|---|---|---|---|
| L1 感知认知 | VLA/Foundation Model | 多模态感知→场景语义图→任务描述 | 50~200ms | Nature MI 2026 · π0.5 |
| L2 任务规划 | AI Agent (OpenClaw) | 语义→任务图→子任务→资源分配 | 10~50ms | ReACT · IFAC MAS 2025 |
| L3 运动控制 | PLC NVIC引擎 | 场景模型热加载→优先级调度→轨迹解算 | 0.5~4ms | AII测试床 · EtherCAT TG |
| L4 执行反馈 | 伺服/传感/安全PLC | 100µs级反馈闭环→异常上报→安全接管 | <100µs | IEC 61508 · Safe AI arXiv |
5.2 四阶段实施路线图
| 阶段 | 时间 | 技术栈 | KPI | 文献参考 |
|---|---|---|---|---|
| I: 视觉引导 | 6-12月 | AI视觉+现有PLC | 良率+3%，切换-80% | 比亚迪焊装 (工业案例) |
| II: 任务编排 | 12-18月 | Agent+MES+PLC | OEE+5%，排产+30% | ReACT (IEEE 2025) |
| III: 自适应闭环 | 18-24月 | VLA+PLC闭环 | 换线-90%，缺陷-75% | FANUC AI-Link |
| IV: 全面融合 | 24-36月 | 多Agent+数字孪生 | OEE+15%，物料+10% | AI-DT (Frontiers 2025) |
5.3 行业典型案例
结论：关键洞察与行动建议
基于文献综述的六条核心洞察
五项行动建议
- 短期（0-6月）：在现有PLC产线叠加AI视觉模块(阶段I)，低风险验证融合可行性。同时启动Skill Library v1.0设计
- 中期（6-18月）：搭建Agent编排层+PLC NVIC调度的混合架构，聚焦柔性装配/混合码垛，参考ReACT的IEC 61499集成模式
- 长期（18-36月）：自研/集成轻量化VLA模型（参考OpenVLA 7B量化→Jetson 30ms），实现全栈融合
- 标准先行：参与IEC/GB标准制定，推动"AI Agent+PLC混合认证"标准化。参考ISO/IEC TR 5469:2024框架
- 专利布局：围绕"PLC NVIC调度引擎""场景模型热加载""安全检查器架构"三个核心创新点进行专利挖掘
参考文献
- Li, X. et al. (2026). What matters in building vision–language–action models for generalist robots. Nature Machine Intelligence. DOI: 10.1038/s42256-025-01168-7. — VLA设计系统性指南
- Kawaharazuka, K., Oh, J., Yamada, J., Posner, I., Zhu, Y. (2025). Vision-Language-Action Models for Robotics: A Review Towards Real-World Applications. IEEE Access, Vol.13, pp.162467-162504. — VLA系统综述
- Black, K. et al. (2024). π0: A Vision-Language-Action Flow Model for General Robot Control. Physical Intelligence. — 流匹配VLA架构
- Figure AI. (2025). Helix: Speech-Controlled Vision-Language-Action Model. — 双系统高频控制
- Kim, M. J. et al. (2024). OpenVLA: An Open-Source Vision-Language-Action Model. arXiv:2406.09246. — 开源VLA基准
- 1X Technologies. (2024). NEO Beta & Redwood AI. — 轻量VLA本地部署
- Google DeepMind. (2023). RT-2: Vision-Language-Action Models. arXiv:2307.15818. — VLA概念奠基
- QubitTool. (2026). Embodied AI 2026: From Robot Foundation Models to Industrial Deployment. — 具身智能工业落地全景
- Xavier, R., Patil, S. et al. (2025). ReACT - Gen AI Agents for Reasoning, Planning, and Testing in IEC 61499-Based Control Systems. IEEE ICMLA 2025. — LLM→IEC 61499 Agent
- CERN openlab. (2026). Industrial Edge-Cloud and AI-based Agents. — 工业AI Agent+边缘云
- 工业互联网产业联盟. (2025). 融合确定性网络与工业AI智能体的云化PLC测试床. — 云化PLC+5G+AI验证
- Luoji-zju. (2026). Agents4PLC: Multi-Agent System for PLC Code Generation. GitHub. — 多Agent PLC代码生成
- IFAC MIM. (2025). Multi-Agent Systems for Manufacturing Digital Twins. ScienceDirect. — 多Agent制造数字孪生
- arXiv. (2025). Hybrid Agentic AI and Multi-Agent Systems in Smart Manufacturing. arXiv:2511.18258. — 混合Agent智能制造
- Frontiers in AI. (2025). Generative and Predictive AI for Digital Twin Systems. — AI-DT制造系统
- arXiv. (2025). Safe and Certifiable AI Systems: Concepts, Challenges, and Solutions. arXiv:2509.08852. — AI安全认证框架
- ISO/IEC. (2024). ISO/IEC TR 5469:2024 - Artificial Intelligence — Functional Safety and AI. — AI功能安全标准
- IEC. (2010). IEC 61508: Functional Safety of E/E/PE Safety-Related Systems. — 功能安全基础标准
- IEC. (2013). IEC 61131-3: Programmable Controllers — Programming Languages. — PLC编程标准
- OPC Foundation. (2020). OPC UA Part 1: Overview and Concepts. — 工业信息模型标准
- EtherCAT Technology Group. (2026). EtherCAT Protocol Tutorial. — 硬实时工业以太网
- ARM Limited. (2021). Cortex-M4 Technical Reference Manual: NVIC. — NVIC硬件参考
- arXiv. (2025). Foundation Model Driven Robotics: A Comprehensive Review. arXiv:2507.10087. — 基础模型驱动机器人综述
- Cybernachos. (2026). AI Robotics Open Source R&D Survey. — AI机器人开源研发生态
- Siemens. (2024-2025). Industrial Copilot & Multi-Agent Ecosystem. — 工业AI Agent产品
- RobotBase. (2026). RobotClaw: Bridge AI Agents with Physical Robots. GitHub. — AI Agent伺服控制
- OpenClaw. (2026). Self-Hosted AI Agent Runtime Gateway. GitHub. — Agent运行时网关
- Gartner. (2025). Predicts 2025: AI Agent Adoption. — AI Agent市场预测
- IEC. (2014). IEC 62443: Industrial Network Security. — 工业网络安全标准
- Feng, Y., Yang, L. (2024). Cloud PLC Based on 5G and MEC. — 5G+云化PLC研究
- FANUC. (2025). AI-Link: Vision-Guided Trajectory Correction. — 工业AI视觉引导