官方网站-首页

【导语】本白皮书(shū)聚(jù)焦(jiāo)移(yí)动(dòng)机(jī)器(qì)人(rén)领(lǐng)域，探讨机器人运动控制、复杂环境感知与导航及模块化灵活性三大核心主题，回顾机器人系统演进历程，强调具身智能的重要性。书中涉及多(duō)种(zhǒng)机(jī)器(qì)人(rén)类(lèi)型(xíng)，剖(pōu)析(xī)其控制系统与AI集成应(yīng)用(yòng)，指(zhǐ)出(chū)实现机器人系统可扩展性与智能化所需的关键要素。此外，还探讨了轮式移动机器(qì)人(rén)导(dǎo)航(háng)、工业环境安全规范及复杂环境传感器需求等现实问题，并对机器人应对新任务时面临的连接性、人机交互等挑战展开分析。

本白皮书聚焦于移动机器人领域的进展与挑战，重点探讨三个核心主题：机器人运动控制、复杂环境中的感知与导航，以及在适应新任务时的模块化与灵活性。此外，文中还重点介绍了机器人系统从简单的固定机械臂到复杂人形机器人的演进历程，强调了具身智能在实现多功能高灵活性机器人中的重要性。

我们探讨了多种类型的机器人，包括自动导引车（AGV）、自主移动机器人（AMR）、探测车、无人机、足式机(jī)器(qì)人(rén)和(hé)人(rén)形(xíng)机(jī)器人，详细介绍了它们的控制系统、导航能力以及AI在提升性能方面的集成应用。文中还指出，为了实现机器人系统的可扩展性与智能化，亟需先进的实时控制器、功能安全措施以及高效的电源管理。

文末还将讨论人形机器人在以人为本的环境中的未来应用，并强调打造多样化机器人形态组合以实用性和普及率的重要性。

地点与任务导航

目前，大多数轮式移动机器人的导航主要依赖于两种类型(xíng)的(de)传(chuán)感(gǎn)器(qì)：第(dì)一(yī)类(lèi)是(shì)激(jī)光(guāng)扫(sǎo)描(miáo)仪(yí)，不(bù)仅(jǐn)能(néng)提(tí)供(gōng)机(jī)器(qì)人(rén)周(zhōu)围(wéi)地(de)面(miàn)环(huán)境(jìng)的(de)二(èr)维(wéi)地(de)图(tú)，还(hái)能(néng)触(chù)发(fā)关键的(de)功(gōng)能(néng)安(ān)全机(jī)制；第二类是摄像头，能够在有限的视野范围内（FOV）获取重要信息，例如标注位置或待取货物的二维码。

激光扫描仪和摄像头采集的数据会被传输至负责环境建模与导航的计算单元。该过程的第一阶段通常被称为SLAM（同步定位与地图构建），可通过整合来自全球或本地定位系统（如GPS、蓝牙标签、墙面二(èr)维(wéi)码(mǎ)）的(de)数(shù)据(jù)，并(bìng)结(jié)合(hé)先(xiān)验(yàn)信(xìn)息(xi)（如(rú)仓(cāng)库地图）进行增强。该地图随后用于规划通往环境中特定目标点的路线，并避让临时障碍物，如其他机器人或箱子。这一阶段被称为导航阶段，其复杂程度会因多种因素而异，包括作业区域的大小、其他车辆或人员的数量和移动速度，以及施加在机器人上的操作约束条件。在仓库物流中，大范围的导航通常由集中式调度计算机完成，由其为整个机器人车队规划路线。

在工业或物流环境中，无论是固定机械臂还是自主移动机器人，都必须严格遵守安全规范。这些要求可通过两种方式实现：一是严格隔离机器人与人类操作员；二是采用经过安全认(rèn)证的区域传感器（如激光扫描仪）来满足功能安全需求（例如，在人员接近安全区域时，设备将停止运动并切断系统电源）。虽然这些区域传感器也可用于导航任务，但它们会在车辆周围强制设置一个严格的安全区域，确保无人能接触到移动中的机器人。然而，其高昂的成本是导致工业机器人整体系统成本上升的重要因素。

即使在工厂和仓库等受控环境中，激光扫描仪和二维码识别摄像头也可能无法完全满足所有任务需求。近年来，许多AMR供应商开始在其车辆中集成基础AI功能，以实现障碍物分类和导航辅助（例如判断前方是箱子还是其他机器人阻挡了路径），或添加深度感知摄像头以实现更精细的运动规划。

随着机器人逐渐进入餐厅、医院或城市街道等复杂且无法预知的环境，对额外传感器及相关计算能力的需求正迅速增长。这是机器人技术自20世纪60年代起初时仅应用于可控环境中的一个关键原因——将机器人技术拓展到新领域，依赖于半导体技术的飞跃发展以及更节能的嵌入式计算解决方案的出现。有人可能(néng)会认为，由手机市场驱动的低功耗高性能芯片技术突破，是先进移动机器人发展的必要前提条件。

例如，当今的专业地板清洁机器人通常配备6至12个摄像头，此外(wài)还(hái)搭(dā)载(zài)了(le)一(yī)套(tào)激(jī)光(guāng)雷(léi)达(dá)传(chuán)感(gǎn)器(qì)。其(qí)中(zhōng)一(yī)些(xiē)传(chuán)感(gǎn)器(qì)具(jù)有(yǒu)双(shuāng)重(zhòng)功(gōng)能(néng)：既(jì)用(yòng)于(yú)导(dǎo)航(háng)，又(yòu)用(yòng)于(yú)特定任务。例如，清洁机器人前置摄像头可以检测到宠物（触发路径规划覆盖以避开它们）或定位污渍（将其添加到清洁任务列表中）。

随着漫游车、足式机器人或人形机器人走出自助餐厅或商店的平坦地面环境，3D传感技术在识别低垂树枝、路面坑洼或楼梯等障碍物方面变得愈发重要。3D激光雷达（LIDAR）、飞行时间（ToF）摄像头以及类似系统等技术至关重要。在足式机器人中，这些技术同样是规划脚部或附肢位置以实现稳定运动的核心技术。随着这些传感器生成更密集的地图，计算需求也会相应增加。

在工业、商业和家庭环境下的自主机器人操作中，一个共同的基本(běn)特(tè)征是能够自动识别物体及其在机器人工作空间中的空间位置。这始于几年前被视为重大挑战的简单固定臂箱体拾取操作，如今已成为在非结构化环境中执行自主任务的关键。例如，一个在餐厅负责清理餐桌的酒店服务机器人，即一台基础款自主移动机器人，配备有安装臂、导航摄像头和用于收集用过的杯子和玻璃杯的托盘。该自主移动机器人必须靠近餐桌，检测需要清理的杯子或马克杯，并为每个物(wù)品(pǐn)识(shi)别(bié)合(hé)适(shì)的(de)抓(zhuā)取(qǔ)点(diǎn)，然(rán)后(hòu)规(guī)划(huà)相(xiāng)应(yīng)的(de)运(yùn)动(dòng)。

目(mù)前(qián)仍(réng)面(miàn)临(lín)两(liǎng)大(dà)主要(yào)挑(tiāo)战(zhàn)：首(shǒu)先(xiān)是(shì)检(jiǎn)测(cè)和(hé)识(shi)别(bié)目(mù)标(biāo)物(wù)体(tǐ)，其(qí)次(cì)是(shì)制(zhì)定(dìng)有(yǒu)效(xiào)的(de)抓(zhuā)取(qǔ)或(huò)与(yǔ)物(wù)体(tǐ)互(hù)动(dòng)的(de)策(cè)略(è)。当(dāng)前(qián)的(de)解(jiě)决(jué)方(fāng)案(àn)虽(suī)然(rán)能(néng)够(gòu)正(zhèng)常(cháng)运(yùn)行(xíng)，但(dàn)需(xū)要(yào)大(dà)量(liàng)的(de)计(jì)算(suàn)资(zī)源(yuán)，并(bìng)且(qiě)通(tōng)常(cháng)需(xū)要(yào)使(shǐ)用(yòng)多(duō)个(gè)AI模(mó)型(xíng)来(lái)处理诸如物体检测、分类、跟踪以及3D模型创建等子任务。

另一个常见的挑战在于所有传感器在机器人感知其位置和周围环境时，如何实现同步和低延迟。这对于飞行机器人或足式机器人尤为重要，因为视觉数据必须与陀螺仪和惯性测量单元（IMU）的输入数据相匹配。正确的同步对于保持准确的态势感知和地图绘制至关重要。

例如，一个四足机器人，顶部装有三台不同的摄像头，并会随着每一步的移动而晃动，其中一台摄像头可能是广角导航摄像头，而另一台则可能是用于创建深度图的立体摄像头。如果没有精确的同步，任何试图将立体摄像头生成的3D地图与广角视图对齐的尝试都会导致位置误差，或者需要昂贵的软件修正。由于这些功能直接与足式机器人的运(yùn)动(dòng)规(guī)划(huà)相关，同步故障可能导致机器人在遇到障碍物或台阶时绊倒。

应对新任务的复杂性

随着机器人逐渐摆脱深度专业化，它们需要适应与日益复杂的环境进行交互。

这一技术初时实现了固定机器人手臂与工业现场总线系统的互操作性。开始时，各个信号和传感器直接连接到手臂控制器。然而，供应商很快开始将机器人集成到总线系统中，使其能应对日益复杂的工业组装和焊接任务。互操作性使机器人供应商能够吸引更广泛的客户群体，从而逐步降低成本并推动技术的普及。

目前，内部物流应用中的移动机器人通常通过无线网络（通常为Wi-Fi或LTE）进行连接。对于大规模部署，大多数供应商倾向于采用定制的车队管理协议，以便与仓库管理系统（WMS）或制造执行系统（MES）接口。尽管我们努力通过ROS2和MQTT等框架来实现车队调度的标准化，但这些标准在实际应用中是否能得到广泛采用仍存在不确定性。

随着移动机器人需要在工厂和仓库预设的范围之外快速移动、跳跃和飞行，连接性成为了一个新的挑战。家用和酒店服务机器人预计将依赖本地连接基础设施（可能是Wi-Fi，并可能在未来扩展至Matter协议以满足家庭场景的需求）。与此同时，远程巡航的机器人则需要新的连接解决方案。

当机器人在与人类共享的空间中作业时，人机交互（HMI）变得愈发重要。面临的挑战包括本地语音和视觉处理、在任务环境中对手势的解读（例如，指向需要移动的箱子或需要避开的路径），以及权威性——确定是人类还是机器人有权发出指令。