机器人研发涉及几何设计、物理模型生成与动力学验证、运动控制训练等多个专业环节，随着机器人系统复杂度不断提升，研发过程中不仅面临模型重复构建、参数反复录入和校核等问题，设计、验证与训练之间的数据和模型也难以连续复用，各环节相对独立，影响机器人研发流程的协同与迭代效率。

同元软控探索了智能方法与工具研制智能装备的新模式，以 MWORKS AI（智能工程研发环境）与 MWORKS EI（智能装备研发环境）为核心，协同 MWORKS中的 SysCAD、Syslab、Sysblock、Sysplorer 等专业工具，将工程师的设计意图转化为可分解、可执行的工程任务，连接几何设计、物理模型生成与动力学验证、运动控制训练过程，实现机器人结构模型和关键参数在不同研发环节之间的复用，推动机器人研发流程协同贯通。

MWORKS AI

面向装备研发的智能工程环境，以 Mogick 系统工程智能体为中枢，融合大模型、工程知识、系统工程方法与工业软件工具链，能够理解工程师设计意图，规划何组织工程任务，并协同使用 MBSE、MBD、CAD、CAE 建模仿真工具，支持智能的需求分析、设计建模、仿真验证等研发任务。

MWORKS EI

面向物理 AI 的仿真训练环境，以 Sys3D 物理空间孪生仿真环境为中心，提供场景建模、物理模型导入、合成数据生成、并行仿真训练、工程验证、真实部署与数字孪生等能力，支撑智能装备从算法训练到工程验证和部署应用。

本文以某人形机器人为例，介绍 AI+EI 如何贯通机器人从几何设计、物理模型生成与动力学验证到控制训练的完整研发流程。

一、AI+EI协同，贯通机器人研发流程

在本案例中，Mogick 作为机器人研发流程中的智能任务组织入口，负责理解设计需求、拆解工程任务，并协同调用 SysCAD、Sysplorer 完成几何设计、物理模型生成与动力学验证；MWORKS EI 基于前序生成的机器人模型和关键参数，开展运动控制训练。

整体流程包括三个核心环节：

1.机器人几何设计

Mogick 调用 SysCAD 根据机器人参考数据构建机器人三维几何模型，完成结构、关节及关键参数配置，并生成用于后续研发的 Modelica 和 URDF 模型文件。

2.机器人物理模型生成与动力学验证

Mogick 调用 Sysplorer 基于几何模型及 Modelica 模型数据构建机器人多体动力学与驱动控制模型，开展行走、挥手等动作仿真，验证机器人结构、动力学参数及电机控制响应。

3.机器人运动控制训练

MWORKS EI 复用 SysCAD 生成的 URDF 模型及关节参数，通过 GPU 并行仿真开展跳舞动作训练、策略学习和运动效果验证。

通过 AI+EI 协同研发，将智能体的任务组织能力、专业工具的建模仿真能力与具身智能环境的运动控制训练能力相结合，实现机器人模型和关键参数在不同研发环节间的复用，形成从需求理解、几何设计、物理模型生成与动力学验证到运动控制训练的机器人研发链路。

1）几何设计：构建 29 自由度机器人数字原型

• 解析设计需求

Mogick 解析用户提出的机器人设计需求，将自然语言描述拆解为可执行的工程任务。本案例以某人形机器人为参考对象，采用29自由度配置，并确定机器人的结构形式、关节配置和关键设计参数。

• 构建几何模型

基于设计需求，Mogick 调用 SysCAD 构建机器人三维几何模型，配置连杆、关节和执行机构，并建立装配关系。工程师在可视化界面中检查尺寸、位置与结构参数，并根据检查结果调整模型。

• 生成模型文件

几何模型完成后，在 Mogick 的任务组织下，由 SysCAD 导出 Modelica 模型文件和 URDF 模型文件。前者用于在 Sysplorer 中构建物理模型并开展仿真，后者用于在 Sys3D 中开展运动控制训练。两类文件来自同一机器人构型，共用关键参数，从而减少跨工具重复录入。

2）物理模型生成与动力学验证

• 构建物理模型

Mogick 将 SysCAD 生成的机器人结构数据传递至 Sysplorer，并结合同元机械模型库完成机器人物理模型构建，补充质量、惯量、关节约束及驱动等物理属性；模型构建完成后，通过右侧视图预览，检查机器人结构、装配关系和关节配置，为后续动力学仿真与控制验证做好准备。

• 配置动力学与电机控制参数

Mogick 调用 Sysplorer 中的多体库、接触库及相关控制模型，配置机器人的质量、惯量、关节、接触和驱动参数，主要包括：

① 多体动力学模型

基于机器人几何数据配置各部件质量、惯量、关节自由度、运动副及驱动关系，通过刚体、关节、运动副和传感器等模型组件建立机器人整体动力学模型。

② 接触与碰撞模型

定义机器人足端与地面以及机器人部件之间的接触、碰撞和摩擦关系，描述机器人运动过程中的接触力及其动力学影响。

③ 关节驱动与电机控制模型

配置机器人关节驱动和电机控制参数，验证控制输入、驱动响应与关节运动之间的动态关系。

④ 开展典型动作仿真与结果验证

完成物理模型后，开展行走、挥手等典型动作仿真。

通过观察机器人整体运动动画，并分析姿态、关节运动及关键仿真曲线，检查以下内容：

几何结构是否合理；

关节配置是否正确；

质量与惯量等动力学参数是否合理；

足端与地面的接触与运动响应是否正常；

关节驱动和控制模型是否满足预期。

3）运动控制训练：让机器人完成跳舞动作

• 导入被控几何模型

在几何设计和物理模型生成与动力学验证后，Mogick 将同一机器人构型对应的 URDF 模型传递至 Sys3D。Sys3D 复用结构与关节参数，开展跳舞动作的策略训练、运动验证和参数调整。

• 开展跳舞动作训练

Sys3D 开展跳舞动作的控制算法训练和运动策略验证。训练过程直接使用已有的机器人结构与关节信息，无需重新搭建模型，并利用 GPU 并行计算加速策略训练和参数搜索，提高策略优化效率。

• 评估并调整控制策略

训练过程中持续评估机器人运动效果：

① 姿态稳定性；

② 动作连续性；

③ 关节运动合理性；

④ 目标动作完成度。

根据评估结果调整控制策略和训练参数，并持续迭代，直至机器人能够完成符合要求的跳舞动作。

至此，同一机器人构型及其关键参数在几何设计、物理模型生成与动力学验证、运动控制训练阶段得到连续复用，形成贯通各阶段的机器人研发流程。

二、AI+EI 在机器人研发中的能力验证

本案例中，Mogick 负责理解工程需求、组织研发任务，协同 SysCAD、Sysplorer 完成机器人几何设计、物理模型生成与动力学验证；Sys3D 复用机器人模型开展运动控制训练，实现机器人模型在设计、验证与训练阶段的贯通。通过该实践案例，验证了 AI+EI 在机器人研发中的多项关键能力：

加速设计需求向工程模型转换：Mogick 能够理解工程师设计意图，并将自然语言需求拆解为可执行的工程任务，协同专业工具完成机器人几何设计、物理模型生成与动力学验证，减少研发过程中重复的信息整理、模型配置和参数录入工作。

实现机器人模型跨阶段复用：基于统一机器人构型，SysCAD 生成的 Modelica 模型和 URDF 模型可分别用于物理模型生成与动力学验证、控制训练，使结构信息和关键参数在不同研发阶段保持一致，降低跨工具模型重建和数据转换成本。

支持设计验证前移：在实机制造和测试前，工程师可通过 Sysplorer 开展行走、挥手等典型动作的物理模型生成与动力学验证，对机器人结构、关节配置和动力学参数进行验证，提前发现设计问题并优化方案。

提升运动控制训练效率：Sys3D 直接复用已有 URDF 模型和结构参数，在仿真环境中开展运动控制策略训练和效果验证，无需重新搭建机器人模型，缩短运动控制训练的模型准备周期。

支持机器人研发过程持续迭代：工程师可根据物理模型生成与动力学验证和控制训练结果分别调整模型与参数，使设计、验证和训练形成可持续迭代的研发过程。

三、展 望

未来，AI+EI 在机器人研发中的应用可由当前案例所示的几何设计、物理模型生成与动力学验证、运动控制训练，进一步拓展至跨阶段协同优化。后续可围绕几何模型、物理模型和控制模型的数据标准与参数映射开展研究，进一步提高模型在不同研发环节之间的复用能力，并探索将物理模型生成与动力学验证、控制训练结果反馈至结构设计阶段。

随着机器人建模、并行仿真和智能体等技术持续发展，AI+EI 还可进一步拓展至：

• 复杂地形与多变环境中的机器人训练；
• 面向多任务、多技能的机器人运动学习；
• 机器人结构与控制策略协同优化；
• 仿真到实机（Sim-to-Real）迁移；
• 实机运行数据驱动的模型校准与持续优化。

机器人研发可进一步形成以工程师为核心决策者，以AI智能体辅助组织工程任务，以高保真物理模型支撑验证，以具身智能环境支撑控制训练，贯通设计—建模—仿真—训练—验证—优化全过程的机器人智能研发模式。