06参考框架
工厂之外机器人技术的通用语言
用四个维度对任何非工业机器人系统(人形机器人、四足机器人、自动驾驶车辆和无人机)进行分类,依据其技术成熟度、运营安全和投资回报。
最近审核: 2026-11方法与来源 →
01 · 范围与概览
面向从未为机器人设计过的场所的机器人技术
本框架涵盖在受控工业环境之外运行的平台:极端动态、非结构化基础设施,以及恶劣或多变的条件。我们按四种物理形态对技术进展进行分类。
- HUM
人形机器人
具有人类外形的系统(双足或轮式底盘),具备灵巧操作能力,用于使用为人设计的工具和基础设施。
浏览器中有 12 个
- MAN
移动操作机器人
搭载一条或多条机械臂的轮式或履带式底盘:无需人形即可搬运箱子、为卡车装卸货或拣取零件。
浏览器中有 2 个
- QDR
四足机器人
关节式腿足平台,在不平整地形、楼梯和岩石上具有高牵引力和稳定性。
浏览器中有 7 个
- UGV
地面车辆
轮式或履带式系统,用于货物运输、物流和远距离巡检。
浏览器中有 6 个
- UAV
无人机与空中机器人
旋翼或固定翼,用于监测、立面巡检、快递物流和集群作业。
浏览器中有 6 个
02 · 战略目标
从供应商目录到运营需求
弥合运营差距
将机器人供应商的能力与运营的真实需求对接起来。
统一评估标准
提供一套共同的术语,用三个问题评估任何平台:
- 成熟度
- 它能持续维持哪个自主等级,在哪个运行域内?
- 安全
- 人员何时、以何种方式介入?如果链路中断会怎样?
- ROI
- 计入总拥有成本后,相对于人工作业何时能收回投资?
四个维度
每台机器人都由四个坐标来描述
这些维度是分类性的且相互独立:一架无人机可以具备高度自主而毫无协同能力,一台人形机器人可以拥有丰富的感知却采用遥操作控制。
维度 1 · 自主与决策
六个等级,从遥操作到分布式自主
等级描述的是真实部署中的典型运行自主程度,而非宣传册上的最大值。选择一个等级,查看浏览器中目前有哪些平台处于该等级。
这一 0–5 级量表是本站为非工业机器人改编的框架。它借鉴了 SAE J3016 驾驶自动化等级和 ODD 概念,但并非官方标准,也不能替代认证。[DIN Media, 2026] 基础术语(自主、服务机器人)遵循 ISO 8373 标准词汇。[ISO, 2021]
L4
高度自主
在限定的运行设计域(ODD)内持续运行,无需人工干预。
关键:运行设计域(ODD)
该概念源自 SAE J3016;ISO 34503 将 ODD 定义为自动驾驶系统设计上能够安全运行的运行条件,并通过固定场景要素(道路、交通信号灯)、环境条件(天气、连接性)和动态要素(交通)来描述它。本框架将同一理念应用于机器人:第 4 级只有在明确的 ODD 内才有意义,同一台机器人在熟悉的变电站中可以是 L4,而在新的地形上则可能是 L2。[ISO, 2023]
维度 2 · 网络与多机器人协同
从孤立的机器人到集群智能
通信拓扑决定了规模、韧性,以及某个节点失效时会发生什么。
独立运行
12 个平台机器人之间无通信;每个单元独立运行。
- 不依赖网络
- 规模 = 操作员数量
- 故障相互隔离
协调式
21 个平台通过基站或中央服务器共享状态和遥测数据。
- 基站或云端
- 集中式机队规划
- 单点故障
协作式集群
0 个平台基于点对点网状(mesh)网络的去中心化决策;任务按各节点的能力和位置进行分配。
- 点对点 Mesh / MANET
- 动态任务分配
- 平稳降级
维度 3 · 感知与环境观测
没有哪种传感器能看见一切:关键在于融合
每种模态都有盲区。成熟的平台会组合多种模态,以便在黑暗、雾、粉尘或无 GNSS 条件下持续定位和检测。
3D LiDAR
11/33- + 优势:
- 精确的 3D 几何信息,昼夜可用
- − 局限:
- 成本高;浓雾和降雨会降低性能
立体相机/VIO
10/33- + 优势:
- 轻量,是无 GPS VIO 的基础
- − 局限:
- 依赖光照和纹理
RGB-D深度相机
9/33- + 优势:
- 近距离稠密深度
- − 局限:
- 距离短,易受阳光影响
RGB相机
22/33- + 优势:
- 为视觉模型提供丰富语义
- − 局限:
- 无直接深度;在黑暗中失效
热成像/红外
10/33- + 优势:
- 感知热量:人员、泄漏、热点
- − 局限:
- 分辨率低,无颜色和纹理
毫米波雷达
2/33- + 优势:
- 可穿透雾、粉尘和烟雾;可测速度
- − 局限:
- 角分辨率低
GNSS/RTK
10/33- + 优势:
- 配合 RTK 实现厘米级全球定位
- − 局限:
- 在地下或受干扰时无法使用
IMU
22/33- + 优势:
- 高频运动测量,始终可用
- − 局限:
- 无校正时漂移不断增大
2D LiDAR
0/33- + 优势:
- 室内平面感知,便宜且可靠
- − 局限:
- 仅单一平面:会漏检较高或较低的障碍物
触觉/力触觉传感器
6/33- + 优势:
- 操作过程中的力和滑移
- − 局限:
- 仅在接触时提供信息
超声波
2/33- + 优势:
- 低成本近距离探测,可识别透明表面
- − 局限:
- 距离短,精度低
飞行时间(ToF)传感器
1/33- + 优势:
- 低成本、紧凑的近距离测距
- − 局限:
- 距离短;受强烈阳光和深色表面影响
声学/泄漏超声检测
3/33- + 优势:
- 气体或空气泄漏以及轴承故障
- − 局限:
- 受工业环境噪声影响
气体检测
2/33- + 优势:
- 危险气体浓度
- − 局限:
- 单点测量,需要校准
PTZ变焦相机
4/33- + 优势:
- 光学变焦,可远距离读取仪表
- − 局限:
- 视场窄
传感器融合与 SLAM
同步定位与建图(SLAM)使机器人无需 GPS 也能知道自己身在何处。典型流程包括五个阶段:
- 01传感器
LiDAR、相机、IMU、轮式或腿式里程计
- 02前端
特征提取以及视觉惯性(VIO)或 LiDAR 里程计
- 03滤波器
扩展或无迹卡尔曼滤波器(EKF/UKF),以高频率融合各项估计
- 04后端
因子图优化和回环检测,用于校正漂移
- 05地图 + 位姿
一致的 3D 地图及机器人在其中的位置
无 GPS 定位
在隧道、矿井、室内或存在干扰时,GNSS 信号会消失。VIO 通过将连续帧与 IMU 数据进行比较来估计运动;LiDAR SLAM 对点云进行配准;回环检测则识别先前到过的地点,以消除累积漂移。
维度 4 · 控制与运行模式
从 FPV 飞手到学习型策略
控制模式表明,行为中有多少是由工程师编写、由飞手执行或由神经网络学习而来。
- 01
FPV操控
低延迟视频链路(<50 ms),用于狭小空间中的机动。飞手本身就是感知系统。
1/33 - 02
遥操作
机器人负责自身稳定与保护;人员决定每一个动作。这是为模仿学习采集数据的基础。
25/33 - 03
受监督任务
机器人重复执行录制或预设的任务;操作员在控制台批准异常处理。
27/33 - 04
BVLOS机队
一名操作员在超视距范围内监督多台设备。需要具备探测与避让(detect-and-avoid)能力并获得监管授权。
5/33 - 05
学习型策略(RL/VLA)
通过强化学习或视觉—语言—动作模型训练的网络,通常结合物理信息神经网络(PINN)用于步态和操作。
14/33
Sim-to-real:在仿真中训练,在现实中部署
运动策略在并行仿真器中经过数百万步训练,并采用域随机化(摩擦、质量、延迟、传感器噪声),使其能够经受现实考验。剩余差距则通过现场微调和遥操作数据来弥合。
- 大规模仿真
- 域随机化
- 部署
- 现场调优
付诸实践
评估供应商时如何应用本分类体系
每个维度都可以转化为可验证的问题。请要求对方提供在与您相似的运行域中实际运营的证据,而非精心安排的演示。
- 自主
问题: 所声称的等级是在哪个具体的运行设计域(ODD)中得到验证的?
应索取的证据: 在与您可比的条件下,真实任务的日志,包含每小时人工干预次数及其原因。
- 协同
问题: 如果与基站或云端的链路中断,每台机器人会怎么做?
应索取的证据: 有文档记录的断连行为:哪些任务继续、哪些暂停,以及任务如何恢复。
- 感知
问题: 所报价的配置(而非产品目录)包含哪些传感器?在无 GNSS 时如何定位?
应索取的证据: 在粉尘、雨天、弱光或反光条件下的测试,以及在您现场实现的定位精度。
- 控制
问题: 任务中哪一部分是遥操作的?学习型策略是如何训练和验证的?
应索取的证据: 验证流程(仿真和真实数据)、更新频率以及版本回滚方式。
- 规格
问题: 每个数字是在什么条件下测得的?搭载您的实际有效载荷时续航多久?
应索取的证据: 注明测试条件(载荷、速度、温度)的规格表,以及采用您配置的试用。
可视化方法
为什么我们不使用雷达图
本分类体系的各个维度是定性且非线性的。雷达图会给它们赋予任意数值,而多边形面积——也就是人眼所读取的信息——仅仅因坐标轴顺序不同就会改变。