自动驾驶技术正从乘用车领域向更广阔的工业场景渗透，重型机械行业的智能化变革已悄然开启。近日，专注于重型机械自动化的初创公司Flywheel AI发布了针对挖掘机的远程遥控与自动驾驶技术堆栈，并开源了100小时真实施工现场数据集，试图通过技术创新与数据共享，加速这一传统领域的智能化进程。
1. 液压机械自动化的核心难题与Flywheel的突破
在自动驾驶汽车已能实现L2+级辅助驾驶的当下，全球数百万台液压挖掘机仍依赖人工操作，核心障碍在于其独特的控制结构。与汽车的线控系统不同，液压挖掘机的操纵杆直接连接液压阀，通过高压油液驱动机械臂动作，缺乏标准化电子接口，这使得自动化改装难以直接通过软件实现。
1.1 非侵入式机械改装破解液压控制瓶颈
Flywheel AI的解决方案直指这一痛点：通过机械改装在挖掘机驾驶室内安装物理执行机构，直接驱动原有的操纵杆和踏板，实现对液压系统的间接控制。这种非侵入式设计无需改动挖掘机原有液压回路，可兼容市面上绝大多数品牌和型号的设备。据其官网信息，该执行机构由电机与推杆组成，能精准复现人类操作员的手部动作，控制精度达毫米级。
Tip：液压机械与线控汽车的本质区别：传统汽车的线控系统通过电子信号直接控制转向、刹车等执行器，而液压挖掘机依赖高压油液传递动力，操纵杆直接连接液压阀，缺乏标准化电子接口，这导致自动化改装必须绕过原有液压回路，从物理层面驱动操纵机构。
1.2 FlyOS技术栈：从感知到执行的全链路支持
支撑这一改装方案的是Flywheel AI自主研发的“FlyOS”技术栈，包含三大核心模块：远程遥控系统、环境感知模块与自动驾驶模型训练平台。远程遥控系统支持操作员在数公里外通过带屏幕的便携式控制器实时操作挖掘机；感知模块通过安装在机身的4路摄像头（25fps帧率）与传感器，构建作业环境的三维空间认知；训练平台则基于收集的操作数据，通过模仿学习训练自动驾驶模型。
2. 远程遥控：安全、效率与数据采集的三重价值
远程遥控不仅是Flywheel技术栈的核心功能，更是实现自动驾驶的基础。通过远程操作，Flywheel AI在提升作业安全性与效率的同时，也为自动驾驶模型积累了关键训练数据。
2.1 高危场景下的安全保障与效率提升
在矿山、隧道、灾后救援等高危环境中，操作员可通过远程遥控系统在安全区域完成作业，避免塌方、有毒气体等潜在风险。此外，远程操作减少了操作员上下设备的时间损耗，据Flywheel AI在演示视频中的数据，单台设备每日有效作业时间可提升约15%。其技术演示视频显示，远程操作员通过控制器可完成挖掘、倾倒、平地等基础动作，延迟控制在200毫秒以内，接近现场操作体验。
2.2 数据闭环：从人工操作到自动驾驶的桥梁
远程遥控的另一重要价值在于数据采集。Flywheel AI在YC孵化期间，通过部署远程遥控系统在真实施工现场收集操作数据，历经25-30轮传感器位置与模型参数迭代，最终形成稳定的技术架构。团队发现，数据质量对模型效果的影响远大于算法优化——仅用6-7小时的高质量操作数据，便训练出能在Kubota U17小型挖掘机上完成铲斗抓取与放置的自动驾驶模型。
3. 数据驱动：百小时开源数据集的行业意义
Flywheel AI此次开源的100小时挖掘机操作数据集，被业内视为推动重型机械自动化的关键一步。该数据集基于Volvo EC380（38吨级）挖掘机在真实施工现场采集，涵盖多种日光、天气和任务场景，目前已在Hugging Face平台开放下载（需约140GB存储空间）。
3.1 数据集核心信息与应用场景
根据数据集页面描述，该数据包含4路摄像头的第一人称视角视频、25Hz频率的操纵杆动作数据，以及对应的作业场景标签（如挖掘、倾倒、平地）。这些数据不仅可用于训练模仿学习（IL）和行为克隆（BC）模型，还能支撑作业流程优化、设备能耗分析等研究。
| 设备型号 | 传感器配置 | 动作数据频率 | 数据内容简介 |
|---|---|---|---|
| Volvo EC380（38吨） | 4×摄像头（25fps） | 25 Hz | 挖掘、倾倒等工作流程的观测与动作数据 |
Tip：第一人称视角（egocentric PoV）数据的稀缺性：与自动驾驶汽车拥有海量公开道路数据不同，重型机械的作业环境复杂（尘土、振动、动态障碍物），且操作过程高度依赖操作员的第一人称判断（如铲斗角度、土壤硬度感知），这类数据此前几乎未被系统采集和开放，Flywheel的数据集填补了这一空白。
3.2 社区反馈与数据生态构建
数据集开放后，机器人学习社区已出现初步反馈。Hugging Face评论区与YC News原帖讨论显示，开发者普遍认可其“真实场景”价值，认为数据中的环境噪声（如尘土遮挡摄像头、机械振动导致画面抖动）更贴近实际作业情况，有助于提升模型的鲁棒性。Flywheel AI表示，未来将把数据集转换为lerobot格式（一种机器人学习通用数据格式），并持续扩充数据量。
4. 行业定位：差异化竞争与生态“使能者”角色
在重型机械自动化赛道，Flywheel AI并非首个入局者，Built Robotics、SafeAI等公司已推出集成化自动驾驶解决方案。但Flywheel的独特之处在于其“技术栈+数据集”的双轮驱动策略，定位更偏向行业“使能者”而非直接的解决方案提供商。
4.1 与传统方案的核心差异
传统玩家如Built Robotics、SafeAI通常提供端到端的自动驾驶解决方案，包含硬件深度集成与作业部署服务，更侧重直接为客户提供“自动驾驶挖掘机服务”。而Flywheel AI的非侵入式改装方案可适配存量设备，降低客户的初始投入成本；开源数据集则向全行业开放，即使是竞争对手也可基于其数据开发算法。这种“技术普惠”策略使其区别于传统闭环模式。
4.2 面向OEM与开发者的合作生态
Flywheel AI的目标客户明确指向重型设备OEM厂商与大型承包商：为OEM提供智能化改装套件，帮助其升级新产品；为承包商提供存量设备改造服务，提升作业效率。同时，通过开源数据集吸引开发者社区参与算法优化，形成“数据-模型-应用”的正向循环。其官网显示，目前已与多家矿山企业达成试点合作，测试远程遥控系统在露天矿开采中的应用。
5. 技术落地与未来展望
尽管Flywheel AI的技术演示目前仅实现基础作业的自动化闭环（如“挖-运-卸”循环），但其非侵入式改装方案与开源数据策略已为行业提供了新思路。随着数据集规模扩大与算法迭代，重型机械自动化可能迎来以下发展方向：
5.1 复杂场景泛化能力提升
当前模型主要依赖特定场景数据训练，未来需通过更多样化的作业场景数据（如不同土壤类型、夜间作业、多机协同）提升泛化能力。Flywheel AI计划在2024年扩充数据集至500小时，并加入激光雷达数据，增强环境感知的深度信息。
5.2 多机协同与智能化管理
远程遥控技术成熟后，单名操作员有望同时控制多台设备，实现“一人多机”的集群化作业。结合工地数字孪生系统，可实时优化设备调度与作业路径，进一步提升施工效率。
5.3 行业标准与数据共享生态
开源数据集的释放可能推动行业数据共享标准的建立。若更多企业加入数据开放行列，重型机械自动化的算法研发周期将大幅缩短，正如ImageNet数据集加速计算机视觉发展一样，挖掘机领域的“ImageNet时刻”或已不远。
从技术突破到数据开放，Flywheel AI正在用互联网思维改造传统重工行业。其非侵入式改装方案降低了智能化门槛，开源数据集则打破了数据垄断——这不仅是一家公司的商业策略，更可能成为重型机械自动化从“单点突破”走向“行业普及”的关键一步。随着更多开发者加入这场技术变革，未来的施工现场或许将不再有坐在驾驶室里的操作员，取而代之的是远程控制中心的调度员与自主作业的智能机械集群。
评论