These robots never learned how to cooperate. Yet they still coordinate. 這些機器人從來沒有學過如何合作。但它們仍然協調了。 Estos robots nunca aprendieron a cooperar. Sin embargo, se coordinan.

Coordination can emerge naturally from mathematical constraints and optimization. The idea is to use a mathematical safety filter. The robot already has its original action, and the controller modifies it into a safer action while satisfying safety constraints. 協調可以從數學約束和最佳化中自然浮現。這個想法是使用一個數學安全過濾器——機器人原本已有自己的動作，控制器在滿足安全約束的前提下，將其修改為更安全的動作。 La coordinación puede emerger naturalmente de restricciones matemáticas y optimización. La idea es usar un filtro de seguridad matemático. El robot ya tiene su acción original, y el controlador la modifica en una acción más segura satisfaciendo las restricciones de seguridad.

This concept comes from Control Barrier Function (CBF) and optimization-based control. The interesting part is that behaviors like yielding, sidestepping, and passing through each other can appear naturally from the optimization process, without manually designing every interaction rule. 這個概念來自控制障礙函數（CBF）與基於最佳化的控制。有趣的地方在於，讓路、閃避、互相穿越等行為，可以從最佳化過程中自然浮現，不需要手動設計每一種互動規則。 Este concepto proviene de la Control Barrier Function (CBF) y el control basado en optimización. Lo interesante es que comportamientos como ceder el paso, esquivar y cruzarse pueden aparecer naturalmente del proceso de optimización, sin diseñar manualmente cada regla de interacción.

However, the challenge is not only safety. Avoiding collisions does not mean robots can always complete the task. Symmetric deadlocks, robots continuously yielding to each other, getting stuck in local minima, narrow passages becoming blocked — these are difficult problems in multi-robot coordination I've considered when making this demo. 然而，挑戰不只是安全而已。避免碰撞並不代表機器人永遠能完成任務。對稱死鎖、機器人互相不斷讓路、陷入局部最小值、狹窄通道被堵塞——這些都是我在製作這個展示時思考過的多機器人協調難題。 Sin embargo, el desafío no es solo la seguridad. Evitar colisiones no significa que los robots siempre puedan completar la tarea. Deadlocks simétricos, robots cediéndose el paso continuamente, quedarse atrapado en mínimos locales, pasillos estrechos bloqueados — son problemas difíciles en coordinación multi-robot que he considerado al hacer esta demo.

My current work is to implement and integrate these existing control concepts into a multi-robot system, and explore how coordinated behaviors can emerge with fewer handcrafted rules. The more I learn about these methods, the more I realize how elegant the mathematics behind them are. 我目前的工作是將這些現有的控制概念實作並整合進多機器人系統，探索如何在更少手工規則的情況下，讓協調行為自然浮現。我越深入了解這些方法，就越能感受到其背後數學的優雅。 Mi trabajo actual es implementar e integrar estos conceptos de control en un sistema multi-robot, y explorar cómo los comportamientos coordinados pueden emerger con menos reglas artesanales. Cuanto más aprendo sobre estos métodos, más me doy cuenta de la elegancia de las matemáticas detrás de ellos.

What if someone doesn't attack the AI, but attacks its sensors instead? 如果有人不攻擊 AI 本身，而是攻擊它的感測器呢？ ¿Qué pasa si alguien no ataca la IA, sino sus sensores?

A lot of people focus on protecting the model itself, but in the real world, an attacker might not even need to touch the AI. For example, they could use strong light or specific lighting conditions to blind the vision system or create "ghost" obstacles that don't actually exist. They could also use ultrasonic resonance to interfere with IMUs and distance sensors, affecting localization and perception. Even if the AI model is working perfectly, bad sensor data can still lead to bad decisions. 很多人專注於保護模型本身，但在現實世界中，攻擊者可能根本不需要碰 AI。例如，他們可以用強光或特定光線條件讓視覺系統失盲，或製造出根本不存在的「幽靈」障礙物。他們也可以用超音波共振干擾 IMU 和距離感測器，影響定位與感知。就算 AI 模型本身運作完美，壞的感測器數據仍然會導致錯誤決策。 Mucha gente se enfoca en proteger el modelo, pero en el mundo real un atacante puede que ni necesite tocarlo. Por ejemplo, podría usar luz intensa o condiciones específicas de iluminación para cegar el sistema de visión o crear obstáculos "fantasma" que no existen. También podría usar resonancia ultrasónica para interferir con IMUs y sensores de distancia. Incluso si el modelo funciona perfectamente, datos de sensor incorrectos llevan a malas decisiones.

That's one of the reasons I'm building DAM. Instead of blindly trusting sensor inputs and model outputs, DAM adds an extra validation layer to check whether the data is reasonable, consistent, and safe before actions are taken. The extra computation cost is tiny compared to the cost of a wrong decision in the real world. 這是我建構 DAM 的原因之一。DAM 不盲目信任感測器輸入與模型輸出，而是在採取動作之前，加入額外的驗證層來確認數據是否合理、一致且安全。這點額外的運算成本，比起在真實世界中做出錯誤決策的代價，實在微不足道。 Por eso estoy construyendo DAM. En lugar de confiar ciegamente en los sensores y en los outputs del modelo, DAM añade una capa de validación extra para verificar si los datos son razonables, consistentes y seguros antes de actuar. El costo computacional extra es mínimo comparado con el costo de una mala decisión en el mundo real.

Also, I really want to add a walking animation soon, but I'm still trying to figure out how to set up the dependencies for IRA in Isaac Sim 6.0. Haven't fully wrapped my head around that part yet 😅 另外，我很想快點加上步行動畫，但目前還在摸索如何在 Isaac Sim 6.0 中設定 IRA 的相依套件，這部分還沒完全搞懂 😅 Además, tengo muchas ganas de añadir una animación de caminar pronto, pero todavía estoy intentando configurar las dependencias de IRA en Isaac Sim 6.0. Aún no lo tengo del todo claro 😅

Integrating training and deployment of low-power NPU image recognition models into an all-in-one device management platform. I worked on the AI-to-web layer — Next.js frontend, FastAPI backend, containerized on AWS EC2. 將低功耗 NPU 影像辨識模型的訓練與部署整合進全合一設備管理平台。我負責 AI 與網頁的整合層——Next.js 前端、FastAPI 後端，Docker 容器化部署於 AWS EC2。 Integrar el entrenamiento y despliegue de modelos NPU de bajo consumo en una plataforma de gestión todo-en-uno. Trabajé en la capa AI-to-web — frontend Next.js, backend FastAPI, en AWS EC2.

Exhibited at Embedded World 2025 & 2026 (Nuremberg), Computex 2025 & 2026 (Taipei), and IBC 2025 (Amsterdam) — five shows in total. Running a live product at actual trade show booths is a different kind of stress test than a staging environment. 展示於 Embedded World 2025 & 2026（紐倫堡）、Computex 2025 & 2026（台北）與 IBC 2025（阿姆斯特丹），共五場展覽。在真實展覽攤位上運行產品，是與 staging 環境完全不同類型的壓力測試。 Exhibido en Embedded World 2025 & 2026 (Núremberg), Computex 2025 & 2026 (Taipei) e IBC 2025 (Ámsterdam) — cinco ferias en total. Ejecutar un producto en vivo en stands reales es un tipo de prueba de estrés muy diferente a un entorno de staging.

When I first started running learned robot policies on real hardware, the scariest part wasn't training. It was the moment I thought, "okay, this model should work now," and then watched the robot start grabbing the wrong thing, bumping into objects, or pushing joints way harder than it should. 當我第一次把學好的機器人策略跑在真實硬體上，最令人害怕的部分不是訓練本身，而是那個當下——我心想「好了，這個模型應該可以了」，然後就看著機器人開始抓錯東西、撞上物件，或是把關節推得比應該的力道猛得多。 Cuando empecé a correr políticas de robots en hardware real, la parte más aterradora no fue el entrenamiento. Fue el momento en que pensé "bien, este modelo ya debería funcionar," y luego vi al robot agarrar lo incorrecto, chocar con objetos, o empujar las articulaciones mucho más fuerte de lo que debería.

Everything looked fine in simulation. But in the real world, the policy has no idea when something is becoming unsafe or just a bad action. It only knows how to output the next move. 模擬裡一切看起來都沒問題。但在真實世界裡，策略根本不知道什麼時候動作變得不安全，或者只是一個糟糕的決策——它只知道要輸出下一個動作。 Todo se veía bien en simulación. Pero en el mundo real, la política no tiene idea de cuándo algo se está volviendo inseguro. Solo sabe cómo generar el siguiente movimiento.

That's why I built DAM — an open-source middleware that sits between ML policies and robot hardware. Over time, I realized the point of DAM isn't really "safety." It's helping us understand the boundaries of a policy before something goes wrong. 這就是我建構 DAM 的原因——一個介於 ML 策略與機器人硬體之間的開源中介軟體。後來我意識到，DAM 的重點其實不是「安全」，而是幫助我們在出問題之前，先理解一個策略的邊界在哪裡。 Por eso construí DAM — un middleware open-source que se ubica entre políticas ML y hardware robótico. Con el tiempo me di cuenta que el punto de DAM no es realmente la "seguridad." Es ayudarnos a entender los límites de una política antes de que algo salga mal.

During data collection, it helps smooth out motions and gives operators a better sense of which actions create bad data. During training, it becomes easier to spot policies getting stuck exploring obviously bad behaviors. During deployment, the most useful thing is often not success — it's finally seeing where the policy starts to break down. 在資料收集階段，它幫助平滑動作，讓操作者更清楚哪些動作會產生壞數據。在訓練階段，更容易發現策略卡在探索明顯錯誤行為的狀況。在部署階段，最有價值的往往不是成功，而是終於能看到策略從哪裡開始崩壞。 Durante la recolección de datos, ayuda a suavizar movimientos y da a los operadores una mejor idea de qué acciones generan malos datos. Durante el entrenamiento, es más fácil detectar políticas atrapadas explorando comportamientos obviamente malos. Durante el despliegue, lo más útil no suele ser el éxito — es finalmente ver dónde la política empieza a fallar.

The goal isn't to hide failures. It's to make them visible and easier to understand. DAM is already integrated with LeRobot workflows, and I'm currently working on ROS integration as well. This is still research software, not a certified safety system — but if we can't clearly see the limits of a policy, it's hard to build robot learning systems we can actually trust. 目標不是隱藏失敗，而是讓失敗變得可見、更容易理解。DAM 已經整合進 LeRobot 工作流程，我目前也在推進 ROS 整合。這仍然是研究軟體，不是認證過的安全系統——但如果我們無法清楚看到一個策略的極限，就很難建立真正值得信賴的機器人學習系統。 El objetivo no es ocultar los fallos. Es hacerlos visibles y más fáciles de entender. DAM ya está integrado con flujos de trabajo LeRobot, y actualmente trabajo en la integración con ROS. Esto sigue siendo software de investigación, no un sistema de seguridad certificado — pero si no podemos ver claramente los límites de una política, es difícil construir sistemas de aprendizaje robótico en los que realmente confiar.

Digital Twins solved the data shortage and VLA gave robots common sense, but practitioners on the ground know the reality is much harsher. There are still deep physical gaps between technical breakthroughs and commercial viability. 當 Digital Twins 解決了數據荒且 VLA 讓機器人有了常識，大小公司都在瘋狂佈局時，市場真正的需求到底解決了什麼？看過思輔、和椿、研華這些第一線實作後，我覺得技術突破跟商業落地之間其實隔著幾道很現實的鴻溝。 Digital Twins resolvió la escasez de datos y VLA dio sentido común a los robots, pero los profesionales sobre el terreno saben que la realidad es mucho más dura. Hay brechas físicas profundas entre los avances técnicos y la viabilidad comercial.

1. Reliability beats flexibility every time. In surgery or on a factory floor, we don't need a robot to be creative. We need absolute stability. Products making money today are built on code-first architecture where AI is just an assistant. It's not about model size — it's about providing a low-latency, hardware-aware layer that lets hardcoded safety rules keep everything in check. 1. 穩定性始終大於靈活性。在手術室或工廠，我們不需要機器人展現靈光一閃，而是需要它在物理極限與安全規則下絕對穩定。現在能賺錢的產品核心依然是程式架構為主且 AI 為輔。價值不在於模型多聰明，而是如何提供穩定且低延遲的硬體感知層，讓程式規則守住物理底線。 1. La fiabilidad siempre supera la flexibilidad. En cirugía o en una fábrica no necesitamos que un robot sea creativo. Necesitamos estabilidad absoluta. Los productos que ganan dinero hoy se basan en arquitecturas code-first donde la IA es solo un asistente.

2. Data filtering matters more than scale. No matter how good the simulation looks, random noise and corner cases in the physical world are deal-breakers. 10,000 hours of virtual data often can't match one hour of capturing a real-world problem. Filtering out physically irrelevant data is the true key to bridging the reality gap. 2. 數據篩選大於數據規模。模擬器跑出來的東西再漂亮，進到實體環境那種隨機的噪音跟邊界狀況才是致命傷。1 萬小時的虛擬數據，有時不如 1 小時抓到真實問題的數據。過濾掉物理無效的資訊，才是跨越真實落差的關鍵。 2. El filtrado de datos importa más que la escala. No importa qué tan buena se vea la simulación — el ruido aleatorio y los casos extremos en el mundo físico son fatales. 10,000 horas de datos virtuales a menudo no igualan una hora capturando un problema del mundo real.

3. The supply chain is the moat. As Jensen Huang noted, this is a heavy-asset industry. Beyond algorithms, success depends on IEC 61508 safety protocols and slow hardware iteration cycles. Scaling still needs 3–4 years. Instead of trying to make robots think like humans, we should focus on making them faster without making mistakes within their physical constraints. 3. 供應鏈就是護城河。如黃仁勳所說，機器人屬於重資產行業，除了演算法，更要符合 IEC 61508 的安全協議。硬體迭代的週期決定了機器人規模化仍需 3 到 4 年。與其追求讓機器人像人一樣思考，不如先讓它在物理約束且不犯錯的基礎上提高任務效率。 3. La cadena de suministro es el foso. Como señaló Jensen Huang, esta es una industria de activos pesados. Más allá de los algoritmos, el éxito depende de los protocolos de seguridad IEC 61508 y los lentos ciclos de iteración de hardware. La escalabilidad aún necesita 3–4 años.

I've successfully established a seamless data loop, enabling a complete transition from physical collection to simulated data augmentation and back to real-world deployment. 我成功建立了一個完整的數據迴路，實現從實體採集到模擬數據增強，再到真實世界部署的完整流程。 Logré establecer un ciclo de datos sin interrupciones, habilitando una transición completa desde la recolección física hasta la aumentación simulada y de vuelta al despliegue real.

The pipeline: LeRobot for real-world data collection → NVIDIA Isaac Sim as the high-fidelity digital twin → NVIDIA Isaac Mimic for data augmentation (turning sparse real-world episodes into massive synthetic training sets) → Lesaac for cross-platform format translation → LeRobot for training and deployment. 流程：LeRobot 採集真實數據 → NVIDIA Isaac Sim 高精度數位孿生環境 → NVIDIA Isaac Mimic 數據增強（將稀疏的真實樣本轉化為大量合成訓練集）→ Lesaac 跨平台格式轉換 → LeRobot 訓練與部署。 El pipeline: LeRobot para recolección real → NVIDIA Isaac Sim como gemelo digital de alta fidelidad → NVIDIA Isaac Mimic para aumentación de datos → Lesaac para traducción de formato → LeRobot para entrenamiento y despliegue.

Grasp task POC: 7 real episodes → 50 synthetic episodes, tested on SmolVLA, ACT, and Diffusion Policy. Result: only SmolVLA could barely finish the task. The others performed worse than training on the real dataset alone. But there's room to improve. 抓取任務概念驗證：7 個真實 episode → 生成 50 個合成 episode，在 SmolVLA、ACT 與 Diffusion Policy 上測試。結果：只有 SmolVLA 勉強能完成任務，其他的表現比只用真實數據集還差，但仍有改善空間。 POC de tarea de agarre: 7 episodios reales → 50 episodios sintéticos, probados en SmolVLA, ACT y Diffusion Policy. Resultado: solo SmolVLA logró apenas terminar la tarea. Los demás rindieron peor que entrenando solo con datos reales. Pero hay margen de mejora.

Next: building more object variations and shapes, boosting data efficiency with Domain Randomization, and improving policy robustness. 下一步：增加更多物件的數量與形狀，加入 Domain Randomization 提升數據效率，進一步改善策略的魯棒性。 Siguiente: construir más variaciones y formas de objetos, mejorar la eficiencia de datos con Domain Randomization, y mejorar la robustez de la política.

While experimenting with data generation for the stacking task using both leader arm (absolute) and keyboard (relative) control modes, I faced significant bottlenecks in Real-to-Sim stability and Isaac Mimic requirements. 在用 leader arm（絕對控制）和鍵盤（相對控制）兩種模式為堆疊任務生成數據時，Real-to-Sim 穩定性與 Isaac Mimic 的需求出現了嚴重瓶頸。 Mientras experimentaba con la generación de datos para la tarea de apilado usando modos de control leader arm (absoluto) y teclado (relativo), me encontré con cuellos de botella significativos en la estabilidad Real-to-Sim.

I realized the problems came from missing core concepts. So I spent time strictly learning the basics — 5-DOF IK controllers, Jacobians, TCP coordinate systems, and Curriculum Learning in Isaac Lab. 我意識到問題出在缺少核心概念，所以花時間認真學習基礎——5-DOF IK 控制器、雅可比矩陣、TCP 座標系，以及 Isaac Lab 中的課程學習。 Me di cuenta de que los problemas venían de que me faltaban conceptos básicos. Así que me tomé tiempo para aprender estrictamente los fundamentos — controladores IK de 5-DOF, Jacobianos, sistemas de coordenadas TCP, y Curriculum Learning en Isaac Lab.

With this new knowledge, I went back and improved the drawer opening task I'd done before — built a better controller and fixed the reward functions without reward hacking. This proved that having a strong foundation is the only way to go further. 用新學的東西回頭改良了之前做的抽屜開啟任務——建了更好的控制器，修正了獎勵函數，也避免了獎勵欺騙的問題。這次經驗證明，打好基礎才是走遠的唯一方式。 Con este nuevo conocimiento, volví y mejoré la tarea de apertura de cajón que había hecho antes — construí un mejor controlador y arreglé las funciones de recompensa sin reward hacking. Esto demostró que tener una base sólida es la única forma de ir más lejos.

Next: switching to vision-based learning for the SO-ARM101 and exploring VLA models. The path feels much clearer now. 下一步：為 SO-ARM101 切換到視覺為主的學習方式，探索 VLA 模型。現在路清晰多了。 Siguiente: cambiar a aprendizaje basado en visión para el SO-ARM101 y explorar modelos VLA. El camino se ve mucho más claro ahora.

The system generated a chatbot from project source code — new engineers could ask it questions about the codebase instead of digging through documentation. It also produced handover tutorials automatically. 這個系統從專案原始碼生成了聊天機器人——新進工程師可以直接詢問程式碼庫的問題，而不必翻閱文件。它也能自動生成交接教學。 El sistema generó un chatbot a partir del código fuente — los nuevos ingenieros podían hacerle preguntas sobre el código en lugar de buscar en la documentación. También generaba tutoriales de traspaso automáticamente.

Presenting to 160+ colleagues taught me something about the difference between having an idea work and getting others to trust it. Technical correctness is necessary but not enough. 對 160 多位同事演講，讓我學到了一件事：讓一個想法奏效，和讓其他人相信它，是兩件截然不同的事。技術上正確是必要的，但還不夠。 Presentar ante 160+ colegas me enseñó algo sobre la diferencia entre hacer que una idea funcione y lograr que otros confíen en ella. La corrección técnica es necesaria pero no suficiente.