跳至正文
返回 santismm.com
Physical AIby Santi

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。

业务需求技术能力
24/7 巡检且不让人员暴露于风险L4 自主 + 自动回充对接
在无 GPS 覆盖处运行视觉 / LiDAR SLAM
覆盖大面积区域机队或集群协同
穿透烟雾和黑暗进行观察热成像 + 雷达融合

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:

01
成熟度
它能持续维持哪个自主等级,在哪个运行域内?
02
安全
人员何时、以何种方式介入?如果链路中断会怎样?
03
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。

◆ 人员角色管理机队和 ODD

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
深入了解韧性集群 →

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:

  1. 01
    传感器

    LiDAR、相机、IMU、轮式或腿式里程计

  2. 02
    前端

    特征提取以及视觉惯性(VIO)或 LiDAR 里程计

  3. 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

  4. 04
    后端

    因子图优化和回环检测,用于校正漂移

  5. 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。

◆ 依赖人员学习型 / 自主 ●
  1. 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
  2. 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
  3. 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
  4. 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
  5. 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。

  1. 大规模仿真
  2. 域随机化
  3. 部署
  4. 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。

  1. 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。

  2. 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。

  3. 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。

  4. 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。

  5. 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。

相同数据,不同的坐标轴顺序

顺序 A31%视觉面积
顺序 B43%视觉面积

同一台机器人在一种顺序下看起来比在另一种顺序下“更强”。

我们的建议

平行坐标图

为每个型号在各纵轴间绘制一条连续的特征曲线,揭示设计和成熟度规律,而无需强行归结为单一标量分数。

打开图表 →

交互式分类矩阵

将自主等级与协同能力交叉的二维界面,用于映射系统架构。

打开矩阵 →

市场方面呢?

“任务 × 市场”自动化矩阵(用例、机器人类别、自主、传感器融合和估算 ROI)位于 ROI 计算器中。

查看自动化矩阵 →