1. 从“会计算的机器”到“会做事的身体”具身智能这四个字放在三五年前还是个学术圈的专有名词。最近两三年随着大模型和机器人技术的碰撞它几乎成了整个AI行业最热的赛道关键词。所谓具身智能直白一点说就是让AI拥有一个物理身体并且能靠这个身体在真实世界里感知、行动、学习。注意关键词是“身体”和“真实世界”不是屏幕上跑字符也不是虚拟环境里渲染画面而是真真正正有一台机器——机械臂、双足机器人、轮式底盘——在物理空间里触碰东西、移动位置、完成任务。我最早接触这个概念是从一次机械臂抓取项目开始的。当时团队里有个共识光有视觉识别远远不够模型在仿真环境里跑得再好一到真实工业现场就露馅。零件的反光、光照变化、夹具磨损、法兰装配误差任何一个细节都会让算法失效。后来我们换了一个思路把重点从“优化模型精度”转向“让系统主动感知环境并实时调整”这个转向本质上就是从“感知智能”走到“具身智能”的第一步。这篇文章是整个“具身智能中的传感器技术”系列的第二篇承担的任务很基础也很关键——先把具身智能这个名词彻底讲透。不讲清楚具身智能是什么、包含哪些技术模块、为什么需要“身体”、整个系统的数据流是怎么闭环的后面聊传感器时就会缺少坐标系。适合谁来读呢一是准备从传统CV或NLP方向转向机器人方向的开发者二是做硬件但想了解上层算法的工程师三是对AI技术有好奇心、想弄明白具身智能到底“智能”在哪里的朋友。读完之后你至少能对具身智能的全貌建立一份清晰的地图并且理解为什么传感器在具身智能系统里不是“配件”而是整个智能闭环的起点。2. 具身智能的核心定义与历史脉络2.1 一次把“智能”放回身体里的观念转变具身智能Embodied Intelligence这个词拆开来看具身指的是拥有一个可以行动的物理实体智能指的是感知、推理、决策、学习的能力。合在一起它强调的核心主张是——智能不是在大脑里独立发生的而是在大脑、身体与环境三者的持续交互中涌现出来的。这个主张和传统AI有本质区别。传统AI的主流路线符号主义、联结主义把智能看作一种信息处理能力输入数据、识别模式、输出结果身体不过是个接收指令的附属品。而具身智能认为身体结构和感知方式本身就决定了智能的形态。你给AI装一双轮子它发展出的智能倾向于路径规划和速度控制你给AI装一只灵巧手它发展出的智能则倾向于触觉反馈和力控操作。不同的身体塑造不同的思考方式这在人类身上体现得最直接——婴儿通过抓握、爬行、触摸来认识世界动作发育和认知发育从来不是两条平行线。上世纪中叶控制论鼻祖维纳讨论机器中的“反馈”时就已经有了具身思想的雏形。80年代机器人学大师布鲁克斯提出“行为主义”主张智能行为可以由简单规则与环境交互产生不需要复杂的内部表征这被视为具身智能的重要思想源头。图灵在1950年发表的论文里也专门讨论过“机器是否需要身体才能拥有智能”他的结论是至少要让机器具备部分儿童般的学习能力而学习离不开与世界互动。近五年的爆发则来自技术条件成熟神经网络感知能力大幅提升大模型提供了通用知识机械硬件成本下降仿真平台让大规模训练成为可能。于是“给AI一个身体让它自己学”这个几十年前的想法终于有了落地的物质基础。2.2 与ChatGPT式AI的核心差异主动感知与闭环学习要真正理解具身智能最好的办法是和当前最热门的ChatGPT这类对话式AI做一次对照。两者虽然共享深度学习和大模型的底层方法但体系结构有本质不同。ChatGPT的核心能力是“理解”和“生成”它接收文本、图像或音频经过大规模神经网络处理输出回答、代码或图片。整个过程是单向的、被动的、无物理实体的。它知道杯子是什么但不知道杯子握在手里有多重它能告诉你“拧螺丝是顺时针”但无法感受螺丝滑牙时手感的突变。具身智能系统则是一个完整的闭环我习惯用“感知—认知—决策—执行”四段来概括。感知层通过视觉、触觉、惯性、力觉等传感器收集环境数据认知层把多模态数据融合成对当前场景的理解决策层基于理解规划动作序列执行层通过电机、舵机等驱动身体完成动作。动作发生后传感器再次采集新状态修正下一步行为。这个环每转一圈系统就对世界多一分理解。闭环为什么重要因为真实世界是不确定的和动态的。一个纸箱从传送带上滑落角度和位置每次都有细微差别没有任何一套预编程的轨迹能覆盖所有情况。只有系统具备实时感知偏差并修正动作的能力才能稳定地完成抓取。这个“感知偏差、修正动作”的能力幼儿园小朋友做起来轻描淡写但对于机器来说恰恰是最硬核的难点。2.3 从工业机器人到具身智能三代产品的进化逻辑如果把机器人的发展历程梳理一下你会发现很清晰的演进线索。第一代是工业机械臂以预编程为核心。工程师把轨迹、速度、角度写死在代码里机械臂只会执行固定动作。适合大规模生产线上重复度极高的作业比如焊接、喷漆、点胶精度高、速度快但换一个大小的零件就可能全线崩溃。第二代是协作机器人加上了基础的力觉和视觉感知。借由力矩传感器和视觉系统它可以在一定范围内感知环境变化能与人类协同工作比如人推着它走它会顺着人的力方向运动。但本质上仍是“感知辅助下的程序化执行”灵活性有限。第三代就是我们正在经历的时代——具身智能机器人。它不再是执行固定程序的工具而是一个能够在新环境中自主探索、学习和决策的智能体。移动底盘和机械臂只是身体载体大脑是算法传感器是感官三者协同构成一个完整的智能系统。典型场景是家庭服务机器人进入一个陌生厨房一看就知道柜门怎么开、餐具在哪里、怎么安排取放顺序整个流程没有预先编程而是现场感知、现场决策。从“执行工具”到“智能体”这三个字的变化意味着整个技术栈的重构也意味着传感器从“辅助部件”晋升为“核心部件”。3. 具身智能系统的三大技术支柱3.1 物理身体结构决定行为边界身体是具身智能系统的第一根支柱。在工程实现上它至少包含结构件、驱动器和执行器三个层面。结构件是骨架决定系统的自由度和形态。当前主流的研究平台有几种典型形态轮式底盘加机械臂移动操作平台、双足人形机器人、四足机器狗、灵巧手等。每种形态在自由度、负载能力、运动速度、抓取精度上各有取舍。轮式平台结构简单、稳定性高适合室内场景双足人形机器人在人类环境楼梯、门槛、狭窄通道中适应性最好但平衡控制难度极高四足机器人在户外复杂地形上有明显优势。驱动器是肌肉负责把电能转化为机械能。常见的有伺服电机、无刷电机、液压驱动、气动人工肌肉等。挑选驱动器时需要考虑几个互相制约的参数扭矩能不能带得动负载、转速动作灵不灵活、响应带宽控制延迟高不高、体积和重量能不能塞进紧凑的结构里。我在实际项目中最大的感受是参数指标再漂亮的电机装上负载跑起来完全是另一回事必须做实测。执行器是末端工具包括夹爪、吸盘、灵巧手等。夹爪结构简单但只能抓固定形状的物体吸盘适合抓取光滑平面物体但对多孔或不平整表面无能为力灵巧手自由度极高、适应性强但控制难度和成本成倍增加。身体结构天生决定了行为的天花板。一只只有两个手指的夹爪无论如何调算法也完成不了穿针引线的任务。这是具身智能和纯软件AI最大的差异算法再好也要在物理定律约束下解题。3.2 大脑认知从大模型基座到世界模型“大脑”是具身智能的技术核心这几年变化最快。传统机器人的“规划”本质上是一条生产流水线感知节点把图像信息提取成目标位姿规划节点根据位姿计算一条无碰撞路径控制节点把路径解析成电机指令每一步都是独立模块串联工作。问题在于流水线里任何一个环节出错错误会层层传导最终系统无法运行。而且这套流程处理不了语义级别的任务——你说“帮我把桌上那瓶水拿来”传统系统根本理解不了这句话和桌上的物体有什么关系。大模型给机器人提供了一条全新的路径。大语言模型能够把自然语言指令解析成结构化任务列表视觉语言模型能够把场景图像和物体语义对应起来视觉语言动作模型进一步把感知和动作直接映射到控制指令。当前的研究热点是把这些能力统一到一个大模型里让模型不仅“知道世界是什么”还“知道操作该怎么做”。这背后是互联网级别的海量数据预训练——模型从几万亿个文本和图像token中学习常识再通过少量机器人数据微调就能获得基础的操作能力。这里不得不提一个热门概念——“世界模型”。在我看来世界模型就是AI对物理世界运行规律的一个内化表征。机器人看到一个杯子从桌面边缘滑落不需要真的让它掉下去才知道会摔碎依靠世界模型就能预判“它会掉落”。这个预测能力对规划至关重要因为机器人需要在动作执行前先在内部模拟各种方案的结果选择最有把握的那个。大模型还有效缓解了一个长期困扰机器人行业的“长尾问题”。传统机器人系统中每个新场景都需要重新写逻辑场景稍有变化光影、遮挡、物体数量就可能失去稳定性。大模型的泛化能力则天然具备处理长尾问题的潜力这是它成为具身智能大脑核心的最重要原因。3.3 环境交互数据飞轮与仿真训练环境交互是第三根支柱。具身智能系统的学习依赖大量交互数据数据从真实环境或仿真环境中获取形成“行动→感知→反馈→学习→再行动”的数据飞轮。真实环境数据的采集非常昂贵。机器人在实验场地跑几个小时真正有用的样本可能只有几十条每条样本还需要人工标注目标物体的位姿、操作结果的成功/失败人力成本极高。这个瓶颈长期制约着具身智能的发展直到仿真训练的出现。仿真平台如某知名物理引擎让机器人可以在虚拟世界里大规模并行训练。训练时场景、物体位置、光照可以随机化系统在成千上万个随机环境中反复尝试学到对变化足够的容忍度。不过仿真世界和真实世界存在“sim-to-real gap”——仿真里摩擦系数是固定的真实世界每个物体表面都不一样仿真里物体是几何刚体真实世界有软性变形。解决这个gap的主流方法包括域随机化让仿真环境在参数上尽量多样化使训练出的策略具备适应不同物理参数的能力、系统辨识用真实数据校准仿真参数、以及近年来大热的“实时学习”让机器人在真实世界中不断自我学习调整。我自己的项目经历是仿真训练出来的抓取策略第一次在真实机械臂上跑成功率只有70%出头通过逐步把真实采集的数据混入训练集、做域随机化调参迭代两周后才稳定在95%。这个从“仿真会”到“真实会”的过程是每个具身智能项目都必须跨过的一道坎急不得。4. 拆解具身智能的完整工作流程与关键模块4.1 一个标准的具身智能任务闭环从指令到反馈把具身智能系统拆到流程图级别可以分成几个清晰模块任何一个模块掉链子整个任务都会失败。我以“让机器人把桌面上的红色杯子放到左侧托盘上”这个任务为例完整走一遍工作流。任务解析阶段用户输入自然语言指令“把红色杯子放到左侧托盘”由语言模型解析成结构化任务找到红色杯子→规划抓取位姿→移动到目标位置→放置。如果系统接入了知识库它还会补充“杯子是玻璃材质不宜用力过猛”“托盘在左侧区域”这类先验信息。环境感知阶段视觉传感器捕捉桌面图像算法从中识别出杯子的像素位置再通过深度相机映射到三维坐标得到杯子在机器人坐标系下的精确位姿。这是整个流程中对精度要求最高的环节通常误差要控制在毫米级别。触觉传感器在抓取阶段介入当夹爪接触杯子表面时反馈接触力信息防止用力过大捏碎杯子。路径规划阶段根据杯子位姿和托盘位置规划模块计算一条无碰撞的运动路径。规划算法会在所有关节的可行空间里寻找一条从当前构型到目标构型的连续路径同时避免与桌面和障碍物碰撞。动作执行阶段控制器将规划好的路径离散成一系列位置点换算成每个关节的转角指令发送给电机驱动器。这个过程需要高频率的控制循环常见为几百赫兹以平滑电机运动。反馈闭环阶段执行过程中视觉和力觉传感器持续回传数据控制器实时判断“夹爪是否快接近杯壁”“接触力是否突然增大”如果检测到异常比如杯子从夹爪中滑落系统立即终止动作并触发病态恢复策略。这五步串起来就是一个完整的具身智能工作闭环。每一步都高度依赖传感器数据的质量——任务解析要用到麦克风阵列采集的语音环境感知要用到摄像头和深度相机路径规划要依赖编码器反馈的关节状态动作执行要依赖电流环和力矩传感器反馈闭环更是传感器的主场。4.2 感知模块详解多模态传感器的数据角色分配感知模块是具身智能系统里最绕不开的部分我把常用传感器分成几个角色类别来说明。环境感知类摄像头RGB图像、深度相机深度信息、激光雷达三维点云主要负责理解外部环境。RGB图像用于语义识别——物体是什么、属于什么类别深度信息用于几何测量——物体离我多远、长宽高多少点云数据用于高精度建图和避障导航在移动机器人中尤其重要。当前的主流方案是深度相机加RGB-D融合一个设备同时输出彩色图和深度图性价比很高室内的工业项目中一般够用。户外强光或远距离场景则要上激光雷达但成本和功耗也会明显上升。本体感知类惯性测量单元IMU提供加速度和角速度编码器提供每个关节的角度和角速度力矩传感器提供关节受力信息。这类传感器负责感知“自己在哪里、姿势什么样、受力大不大”是平衡控制和力控的基础。没有IMU双足机器人站都站不稳没有编码器系统就不知道机械臂当前摆在哪没有力矩传感器接触操作就完全靠猜。接触感知类触觉传感器压阻阵列、电容式、指腹力传感器、柔性皮肤负责直接测量与物体的接触信息。这是具身智能近两年最受关注的传感器方向原因很简单抓取的本质是接触只有看得见力才能真正控得住力。我做抓取项目时踩过一个经典坑——只靠视觉设计夹爪开合宽度结果玻璃杯受力不均直接滑落后来在夹爪内壁贴了柔性触觉传感阵列实时反馈受力分布抓取成功率立马上了一个台阶。多模态融合是感知层的核心工程问题。最简单的是“后融合”——各传感器独立处理输出结果再做加权融合工程上容易实现但任何一路检测失败都会影响整体。更高级的是“前融合”——从原始数据层面对齐并融合效果更好但对计算资源和算法要求高很多。业界目前的主流是介于两者之间的折中方案视觉主导语义深度负责几何触觉反馈力觉用异步消息机制在系统层面做整合。4.3 决策与控制从位姿规划到力位混合控制感知解决了“世界是什么样”的问题决策控制解决“接下来动作怎么做”的问题是两个紧密衔接但技术路线差异很大的模块。决策层的核心是任务与运动规划。任务规划把自然语言目标拆成原子动作序列打开冰箱→取出食材→放到案板→关闭冰箱门运动规划则为每个动作计算具体的轨迹。规划算法在搜索空间里找路径需要考虑的是“这条路径会不会撞到障碍物”“这个抓取位姿稳不稳定”其中运动学求解、碰撞检测、轨迹优化是三个核心子模块。近两年大模型开始渗透到这个层面规划从“检索专家知识”逐渐变成“模型直接生成候选动作”泛化能力明显增强但可解释性和安全性监控依然是待解决的难点。控制层的核心是让电机精确跟随轨迹。PID控制是工业界的常青树——比例、积分、微分三个环节原理简单鲁棒性好老工程师们调试起来轻车熟路。模型预测控制MPC通过滚动优化把动力学约束纳入考量适合需要同时优化多个目标的场景如双足行走时兼顾稳定性和能效。阻抗控制和导纳控制则是两个面对接触任务的经典方法阻抗控制通过调节机器人对外力响应的刚度、阻尼和惯性来柔顺地与物体交互导纳控制反之——测量力调节位置。我个人的实操经验是抓取易碎品时用阻抗控制非常有效夹爪在接触瞬间表现出“软”的特性玻璃杯从接触到夹紧的过程损伤率大幅下降。力位混合控制是一个值得单独强调的方向。传统机器人只用位置控制遇到位置偏差大了就会硬撞力控机器人用力的反馈来修正位置碰到硬表面知道“该停下了”。两类控制结合才让机器人既能走得准、又能碰得稳。这也是工业场景里最实用的技能之一尤其用于装配、插孔、打磨这类高难度任务。5. 具身智能的应用场景与产业趋势5.1 落地场景全景从工业制造到家庭服务从落地时间线来看具身智能正在工业制造、物流仓储、家庭服务、商业服务四个方向同步推进。工业制造是目前成熟度最高的场景。散件抓取、上下料、装配、检测等环节传统机械臂受限于固定程序换型号就要停产调试几天甚至几周。具身智能机械臂搭配视觉和力觉传感器同一条产线可以快速切换多种工件柔性制造由此成为可能。我参与过一条汽车零部件装配线的改造原来的方案是每种零件配一套专用夹具改造后一台机械臂加一个视觉引导系统就覆盖了五种零件的抓取和装配换型时间从按天计缩短到按小时计。数字化、智能化的产线升级是全行业的大趋势。物流仓储场景是另一个重要战场。自动导引车和机械臂结合的移动操作机器人可以完成货物分拣、货架取放、包裹打包等任务。与人类配送员协同工作的机器人需要高效的感知避障和路径规划能力仓储环境里货架间距狭小、通道光线不均对感知鲁棒性是很大的考验。家庭服务是想象空间最大但技术挑战也最高的场景。叠衣服、收拾桌子、整理房间这类家务对人类来说是轻车熟路对机器人来说每一项都涉及柔软物体操作、语义理解、复杂环境适应等难题。当前人形机器人的技术成熟度距离大规模商用还有明显距离但我认为未来3到5年会出现定点场景的商用突破比如酒店客房送物、办公室清洁通用家庭服务还需要更长时间。5.2 具身智能为什么是“下一代AI”的重要方向“下一代AI”的说法这几年媒体上用得很多但具身智能确实有支撑这个提法的技术逻辑。原因在于它把AI从虚拟世界拉进了物理世界打开了全新的数据维度和应用维度。大模型的强大来自海量互联网文本数据但这些数据本身是“二手经验”——文字描述了世界但世界本身比文字丰富得多。具身智能可以通过物理交互直接产生“一手数据”视觉、触觉、力觉、深度等多模态数据在真实时间流中自然对齐。对AI而言这种包含物理因果的数据比单纯文本更有信息量。从学术研究的角度看具身智能带来了一个全新的评估体系。传统NLP的基准测试很容易被刷分因为测试集和数据分布相对固定具身智能的评估放到真实世界未知性和复杂性天然地阻止了“过拟合刷分”也让模型能力的评估更加“底层真实”。很多从业者都认同物理世界是检验智能最公平的考场。无论是“空间智能”理解三维空间并与之交互还是“世界模型”预测物理动态这些前沿方向都以具身环境为核心实验场这进一步推动了产业投入。2024年以来科技巨头纷纷把资源押注到机器人基础模型上高校实验室也大量转向这个方向人才缺口正在快速扩大。5.3 产业现状与挑战硬件成本、数据匮乏、安全可靠性产业前景虽然清晰但当前阶段绕不开三个硬约束。第一个是硬件成本。一台配置较好的具身机器人在硬件机械臂、移动底盘、传感器、计算单元上的投入往往在几十万元以上关键传感器——激光雷达、高精度力矩传感器、阵列式触觉皮肤——单价都很高。这直接制约了大规模数据采集和商业铺开的速度。第二个是数据匮乏。具身智能的学习高度依赖“行为数据”但机器人在真实世界的交互频率远低于文字和图像的生成速度。目前业界主要通过三类方式补数据仿真生成量大但存在真实度差、人类遥操作采集真实但成本高、速度慢、从互联网视频中学习数量大但噪声高。数据问题短期没有完美解多路并行补数据是必然选择。第三个是安全可靠性。机器人进入真实环境与人共处对安全性的要求极高。决策失误可能导致物品损坏、人员受伤或系统自身失控。目前的学界方向包括设计形式化安全验证框架让系统安全性在代码层面被证明、引入人类监督关键时刻人可以介入接管、增强系统自诊断能力持续监控自身状态异常时主动停机或进入安全模式。产品化之所以推进缓慢很大程度上是安全成本推高了验证周期。6. 传感器在具身智能中的角色定位与系列预告6.1 为什么传感器是具身智能的“感官天花板”回到这个系列的核心主题——传感器技术。在具身智能系统里传感器的地位怎么强调都不过分我习惯称它为“感官天花板”。系统能感知到什么决定了它能做到什么传感器信息缺失算法再先进也等于盲人摸象。更关键的是传感器直接决定了AI理解世界的精度和维度。人类婴儿认识世界靠眼睛、耳朵、皮肤、肌肉本体感觉的协同发育具身智能机器人同理——它认知世界的边界完全由传感器阵列的覆盖范围和精度决定。如果一个机器人只有普通摄像头而没有力觉它学习抓握的难度会比人类婴儿高得多因为缺失了“手上有多少力”这个关键信息维度。传感器硬件本身也在快速迭代视觉方面事件相机只在像素亮度变化时输出数据解决了高速运动下的模糊问题触觉方面高分辨率柔性电子皮肤正在把“手感”实时数字化力觉方面六维力传感器让机器人能够感知手腕上极小范围内的力和力矩变化。每一项传感器技术的突破都会直接拓宽具身智能的能力边界。6.2 各类型传感器在机器人系统中的对应关系把传感器和具体机器人部件的对应关系梳理清楚对设计系统架构非常有帮助。我常用一个表格来做选型参考机器人部位对应传感器主要功能典型应用眼睛/头顶RGB相机、深度相机、激光雷达环境感知、目标识别、避障导航定位物体、地图构建耳朵麦克风阵列语音识别、声源定位人机语音交互皮肤/指腹触觉传感器、电子皮肤接触力反馈、物体表面特性识别抓取力控制、表面质地判断关节编码器、角度传感器关节角度、角速度测量运动学解算、轨迹跟踪肌肉/关节受力力矩传感器、电流环力反馈、异常检测柔顺控制、碰撞检测平衡器官IMU陀螺仪、加速度计姿态角度、线加速度测量平衡控制、状态估计后续的系列文章会沿着这张表逐类展开。先写清楚每类传感器的工作原理、关键性能指标、选型时容易忽略的坑再到如何在真实机器人上配置与标定最后讲多传感器融合在项目中的实战经验。6.3 这个系列后续文章的内容走向系列第一篇文章主要完成了概念铺垫本篇是对具身智能系统的整体概括。后续文章的规划大致按这个顺序展开传感器基础篇逐类拆解——视觉传感器、深度传感器、触觉传感器、力传感器、惯性传感器、编码器等。每个传感器写清楚工作原理、核心参数分辨率、帧率、精度、带宽、性能对比、选型建议。传感器融合篇多传感器数据融合的工程实践包括坐标标定、时间同步、前融合/后融合的策略选择、失败场景分析。行业应用篇工业装配、物流分拣、家庭服务三个典型场景下的传感器配置方案每个场景给出实际案例和数据指标。我会尽量把实验室里的经验法则和工业现场的真实问题都写进去。传感器选型没有绝对的“最好”只有“最适合”理解原理和权衡取舍比背参数表重要得多。7. 实操体会与个人建议文章写到尾声分享几个自己在真实项目里的切身感受供同行们参考。第一不要轻视“感知冗余”。在具身智能项目里单一传感器很难长时间保持稳定。摄像头会被逆光打爆深度相机会被透明材质骗过IMU会漂移。多传感器冗余不是你优化完再考虑的事而是一开始就要做进系统架构里的设计约束。我在抓取项目中视觉失效的瞬间往往就是力觉传感器接管兜底保住整个任务不崩溃的时刻。第二仿真和实物的差距比你想象的更大。很多算法团队在仿真环境里效果惊艳一到真实硬件上就回归到“幼儿园水平”。建议尽量缩短“仿真→实物”的验证周期哪怕每周只在真实机器上跑一两次也能尽早暴露出传感器噪声、通信延迟、机械结构误差等仿真里根本不存在的问题。越早越省成本真实硬件上的问题越晚发现越难改。第三选传感器时先定需求再看参数最后才看品牌。需求要测什么量、精度要求多少、响应频率多快、环境条件如何决定传感器类别类别下的具体型号再比较参数品牌优先级反而要排在后面。我见过不少团队先被宣传材料打动买了高端传感器最后发现性能过剩、接口难搞、项目进度还被拖累。工具是为需求服务的这个顺序别搞反。第四具身智能项目本质上是系统工程。算法只是其中一个模块感知硬件、机械结构、嵌入式控制、系统集成缺一不可。没必要所有东西都自己造买成熟的机械臂和传感器把精力聚焦在数据、算法和应用体验上往往是更理性的选择。这个系列接下来会把传感器逐个拆开讲透。如果你正准备入行或者已经在做相关项目欢迎带着实际问题来交流踩过的坑、走过的弯路往往是最有价值的学习材料。
1. 从“会计算的机器”到“会做事的身体”具身智能这四个字放在三五年前还是个学术圈的专有名词。最近两三年随着大模型和机器人技术的碰撞它几乎成了整个AI行业最热的赛道关键词。所谓具身智能直白一点说就是让AI拥有一个物理身体并且能靠这个身体在真实世界里感知、行动、学习。注意关键词是“身体”和“真实世界”不是屏幕上跑字符也不是虚拟环境里渲染画面而是真真正正有一台机器——机械臂、双足机器人、轮式底盘——在物理空间里触碰东西、移动位置、完成任务。我最早接触这个概念是从一次机械臂抓取项目开始的。当时团队里有个共识光有视觉识别远远不够模型在仿真环境里跑得再好一到真实工业现场就露馅。零件的反光、光照变化、夹具磨损、法兰装配误差任何一个细节都会让算法失效。后来我们换了一个思路把重点从“优化模型精度”转向“让系统主动感知环境并实时调整”这个转向本质上就是从“感知智能”走到“具身智能”的第一步。这篇文章是整个“具身智能中的传感器技术”系列的第二篇承担的任务很基础也很关键——先把具身智能这个名词彻底讲透。不讲清楚具身智能是什么、包含哪些技术模块、为什么需要“身体”、整个系统的数据流是怎么闭环的后面聊传感器时就会缺少坐标系。适合谁来读呢一是准备从传统CV或NLP方向转向机器人方向的开发者二是做硬件但想了解上层算法的工程师三是对AI技术有好奇心、想弄明白具身智能到底“智能”在哪里的朋友。读完之后你至少能对具身智能的全貌建立一份清晰的地图并且理解为什么传感器在具身智能系统里不是“配件”而是整个智能闭环的起点。2. 具身智能的核心定义与历史脉络2.1 一次把“智能”放回身体里的观念转变具身智能Embodied Intelligence这个词拆开来看具身指的是拥有一个可以行动的物理实体智能指的是感知、推理、决策、学习的能力。合在一起它强调的核心主张是——智能不是在大脑里独立发生的而是在大脑、身体与环境三者的持续交互中涌现出来的。这个主张和传统AI有本质区别。传统AI的主流路线符号主义、联结主义把智能看作一种信息处理能力输入数据、识别模式、输出结果身体不过是个接收指令的附属品。而具身智能认为身体结构和感知方式本身就决定了智能的形态。你给AI装一双轮子它发展出的智能倾向于路径规划和速度控制你给AI装一只灵巧手它发展出的智能则倾向于触觉反馈和力控操作。不同的身体塑造不同的思考方式这在人类身上体现得最直接——婴儿通过抓握、爬行、触摸来认识世界动作发育和认知发育从来不是两条平行线。上世纪中叶控制论鼻祖维纳讨论机器中的“反馈”时就已经有了具身思想的雏形。80年代机器人学大师布鲁克斯提出“行为主义”主张智能行为可以由简单规则与环境交互产生不需要复杂的内部表征这被视为具身智能的重要思想源头。图灵在1950年发表的论文里也专门讨论过“机器是否需要身体才能拥有智能”他的结论是至少要让机器具备部分儿童般的学习能力而学习离不开与世界互动。近五年的爆发则来自技术条件成熟神经网络感知能力大幅提升大模型提供了通用知识机械硬件成本下降仿真平台让大规模训练成为可能。于是“给AI一个身体让它自己学”这个几十年前的想法终于有了落地的物质基础。2.2 与ChatGPT式AI的核心差异主动感知与闭环学习要真正理解具身智能最好的办法是和当前最热门的ChatGPT这类对话式AI做一次对照。两者虽然共享深度学习和大模型的底层方法但体系结构有本质不同。ChatGPT的核心能力是“理解”和“生成”它接收文本、图像或音频经过大规模神经网络处理输出回答、代码或图片。整个过程是单向的、被动的、无物理实体的。它知道杯子是什么但不知道杯子握在手里有多重它能告诉你“拧螺丝是顺时针”但无法感受螺丝滑牙时手感的突变。具身智能系统则是一个完整的闭环我习惯用“感知—认知—决策—执行”四段来概括。感知层通过视觉、触觉、惯性、力觉等传感器收集环境数据认知层把多模态数据融合成对当前场景的理解决策层基于理解规划动作序列执行层通过电机、舵机等驱动身体完成动作。动作发生后传感器再次采集新状态修正下一步行为。这个环每转一圈系统就对世界多一分理解。闭环为什么重要因为真实世界是不确定的和动态的。一个纸箱从传送带上滑落角度和位置每次都有细微差别没有任何一套预编程的轨迹能覆盖所有情况。只有系统具备实时感知偏差并修正动作的能力才能稳定地完成抓取。这个“感知偏差、修正动作”的能力幼儿园小朋友做起来轻描淡写但对于机器来说恰恰是最硬核的难点。2.3 从工业机器人到具身智能三代产品的进化逻辑如果把机器人的发展历程梳理一下你会发现很清晰的演进线索。第一代是工业机械臂以预编程为核心。工程师把轨迹、速度、角度写死在代码里机械臂只会执行固定动作。适合大规模生产线上重复度极高的作业比如焊接、喷漆、点胶精度高、速度快但换一个大小的零件就可能全线崩溃。第二代是协作机器人加上了基础的力觉和视觉感知。借由力矩传感器和视觉系统它可以在一定范围内感知环境变化能与人类协同工作比如人推着它走它会顺着人的力方向运动。但本质上仍是“感知辅助下的程序化执行”灵活性有限。第三代就是我们正在经历的时代——具身智能机器人。它不再是执行固定程序的工具而是一个能够在新环境中自主探索、学习和决策的智能体。移动底盘和机械臂只是身体载体大脑是算法传感器是感官三者协同构成一个完整的智能系统。典型场景是家庭服务机器人进入一个陌生厨房一看就知道柜门怎么开、餐具在哪里、怎么安排取放顺序整个流程没有预先编程而是现场感知、现场决策。从“执行工具”到“智能体”这三个字的变化意味着整个技术栈的重构也意味着传感器从“辅助部件”晋升为“核心部件”。3. 具身智能系统的三大技术支柱3.1 物理身体结构决定行为边界身体是具身智能系统的第一根支柱。在工程实现上它至少包含结构件、驱动器和执行器三个层面。结构件是骨架决定系统的自由度和形态。当前主流的研究平台有几种典型形态轮式底盘加机械臂移动操作平台、双足人形机器人、四足机器狗、灵巧手等。每种形态在自由度、负载能力、运动速度、抓取精度上各有取舍。轮式平台结构简单、稳定性高适合室内场景双足人形机器人在人类环境楼梯、门槛、狭窄通道中适应性最好但平衡控制难度极高四足机器人在户外复杂地形上有明显优势。驱动器是肌肉负责把电能转化为机械能。常见的有伺服电机、无刷电机、液压驱动、气动人工肌肉等。挑选驱动器时需要考虑几个互相制约的参数扭矩能不能带得动负载、转速动作灵不灵活、响应带宽控制延迟高不高、体积和重量能不能塞进紧凑的结构里。我在实际项目中最大的感受是参数指标再漂亮的电机装上负载跑起来完全是另一回事必须做实测。执行器是末端工具包括夹爪、吸盘、灵巧手等。夹爪结构简单但只能抓固定形状的物体吸盘适合抓取光滑平面物体但对多孔或不平整表面无能为力灵巧手自由度极高、适应性强但控制难度和成本成倍增加。身体结构天生决定了行为的天花板。一只只有两个手指的夹爪无论如何调算法也完成不了穿针引线的任务。这是具身智能和纯软件AI最大的差异算法再好也要在物理定律约束下解题。3.2 大脑认知从大模型基座到世界模型“大脑”是具身智能的技术核心这几年变化最快。传统机器人的“规划”本质上是一条生产流水线感知节点把图像信息提取成目标位姿规划节点根据位姿计算一条无碰撞路径控制节点把路径解析成电机指令每一步都是独立模块串联工作。问题在于流水线里任何一个环节出错错误会层层传导最终系统无法运行。而且这套流程处理不了语义级别的任务——你说“帮我把桌上那瓶水拿来”传统系统根本理解不了这句话和桌上的物体有什么关系。大模型给机器人提供了一条全新的路径。大语言模型能够把自然语言指令解析成结构化任务列表视觉语言模型能够把场景图像和物体语义对应起来视觉语言动作模型进一步把感知和动作直接映射到控制指令。当前的研究热点是把这些能力统一到一个大模型里让模型不仅“知道世界是什么”还“知道操作该怎么做”。这背后是互联网级别的海量数据预训练——模型从几万亿个文本和图像token中学习常识再通过少量机器人数据微调就能获得基础的操作能力。这里不得不提一个热门概念——“世界模型”。在我看来世界模型就是AI对物理世界运行规律的一个内化表征。机器人看到一个杯子从桌面边缘滑落不需要真的让它掉下去才知道会摔碎依靠世界模型就能预判“它会掉落”。这个预测能力对规划至关重要因为机器人需要在动作执行前先在内部模拟各种方案的结果选择最有把握的那个。大模型还有效缓解了一个长期困扰机器人行业的“长尾问题”。传统机器人系统中每个新场景都需要重新写逻辑场景稍有变化光影、遮挡、物体数量就可能失去稳定性。大模型的泛化能力则天然具备处理长尾问题的潜力这是它成为具身智能大脑核心的最重要原因。3.3 环境交互数据飞轮与仿真训练环境交互是第三根支柱。具身智能系统的学习依赖大量交互数据数据从真实环境或仿真环境中获取形成“行动→感知→反馈→学习→再行动”的数据飞轮。真实环境数据的采集非常昂贵。机器人在实验场地跑几个小时真正有用的样本可能只有几十条每条样本还需要人工标注目标物体的位姿、操作结果的成功/失败人力成本极高。这个瓶颈长期制约着具身智能的发展直到仿真训练的出现。仿真平台如某知名物理引擎让机器人可以在虚拟世界里大规模并行训练。训练时场景、物体位置、光照可以随机化系统在成千上万个随机环境中反复尝试学到对变化足够的容忍度。不过仿真世界和真实世界存在“sim-to-real gap”——仿真里摩擦系数是固定的真实世界每个物体表面都不一样仿真里物体是几何刚体真实世界有软性变形。解决这个gap的主流方法包括域随机化让仿真环境在参数上尽量多样化使训练出的策略具备适应不同物理参数的能力、系统辨识用真实数据校准仿真参数、以及近年来大热的“实时学习”让机器人在真实世界中不断自我学习调整。我自己的项目经历是仿真训练出来的抓取策略第一次在真实机械臂上跑成功率只有70%出头通过逐步把真实采集的数据混入训练集、做域随机化调参迭代两周后才稳定在95%。这个从“仿真会”到“真实会”的过程是每个具身智能项目都必须跨过的一道坎急不得。4. 拆解具身智能的完整工作流程与关键模块4.1 一个标准的具身智能任务闭环从指令到反馈把具身智能系统拆到流程图级别可以分成几个清晰模块任何一个模块掉链子整个任务都会失败。我以“让机器人把桌面上的红色杯子放到左侧托盘上”这个任务为例完整走一遍工作流。任务解析阶段用户输入自然语言指令“把红色杯子放到左侧托盘”由语言模型解析成结构化任务找到红色杯子→规划抓取位姿→移动到目标位置→放置。如果系统接入了知识库它还会补充“杯子是玻璃材质不宜用力过猛”“托盘在左侧区域”这类先验信息。环境感知阶段视觉传感器捕捉桌面图像算法从中识别出杯子的像素位置再通过深度相机映射到三维坐标得到杯子在机器人坐标系下的精确位姿。这是整个流程中对精度要求最高的环节通常误差要控制在毫米级别。触觉传感器在抓取阶段介入当夹爪接触杯子表面时反馈接触力信息防止用力过大捏碎杯子。路径规划阶段根据杯子位姿和托盘位置规划模块计算一条无碰撞的运动路径。规划算法会在所有关节的可行空间里寻找一条从当前构型到目标构型的连续路径同时避免与桌面和障碍物碰撞。动作执行阶段控制器将规划好的路径离散成一系列位置点换算成每个关节的转角指令发送给电机驱动器。这个过程需要高频率的控制循环常见为几百赫兹以平滑电机运动。反馈闭环阶段执行过程中视觉和力觉传感器持续回传数据控制器实时判断“夹爪是否快接近杯壁”“接触力是否突然增大”如果检测到异常比如杯子从夹爪中滑落系统立即终止动作并触发病态恢复策略。这五步串起来就是一个完整的具身智能工作闭环。每一步都高度依赖传感器数据的质量——任务解析要用到麦克风阵列采集的语音环境感知要用到摄像头和深度相机路径规划要依赖编码器反馈的关节状态动作执行要依赖电流环和力矩传感器反馈闭环更是传感器的主场。4.2 感知模块详解多模态传感器的数据角色分配感知模块是具身智能系统里最绕不开的部分我把常用传感器分成几个角色类别来说明。环境感知类摄像头RGB图像、深度相机深度信息、激光雷达三维点云主要负责理解外部环境。RGB图像用于语义识别——物体是什么、属于什么类别深度信息用于几何测量——物体离我多远、长宽高多少点云数据用于高精度建图和避障导航在移动机器人中尤其重要。当前的主流方案是深度相机加RGB-D融合一个设备同时输出彩色图和深度图性价比很高室内的工业项目中一般够用。户外强光或远距离场景则要上激光雷达但成本和功耗也会明显上升。本体感知类惯性测量单元IMU提供加速度和角速度编码器提供每个关节的角度和角速度力矩传感器提供关节受力信息。这类传感器负责感知“自己在哪里、姿势什么样、受力大不大”是平衡控制和力控的基础。没有IMU双足机器人站都站不稳没有编码器系统就不知道机械臂当前摆在哪没有力矩传感器接触操作就完全靠猜。接触感知类触觉传感器压阻阵列、电容式、指腹力传感器、柔性皮肤负责直接测量与物体的接触信息。这是具身智能近两年最受关注的传感器方向原因很简单抓取的本质是接触只有看得见力才能真正控得住力。我做抓取项目时踩过一个经典坑——只靠视觉设计夹爪开合宽度结果玻璃杯受力不均直接滑落后来在夹爪内壁贴了柔性触觉传感阵列实时反馈受力分布抓取成功率立马上了一个台阶。多模态融合是感知层的核心工程问题。最简单的是“后融合”——各传感器独立处理输出结果再做加权融合工程上容易实现但任何一路检测失败都会影响整体。更高级的是“前融合”——从原始数据层面对齐并融合效果更好但对计算资源和算法要求高很多。业界目前的主流是介于两者之间的折中方案视觉主导语义深度负责几何触觉反馈力觉用异步消息机制在系统层面做整合。4.3 决策与控制从位姿规划到力位混合控制感知解决了“世界是什么样”的问题决策控制解决“接下来动作怎么做”的问题是两个紧密衔接但技术路线差异很大的模块。决策层的核心是任务与运动规划。任务规划把自然语言目标拆成原子动作序列打开冰箱→取出食材→放到案板→关闭冰箱门运动规划则为每个动作计算具体的轨迹。规划算法在搜索空间里找路径需要考虑的是“这条路径会不会撞到障碍物”“这个抓取位姿稳不稳定”其中运动学求解、碰撞检测、轨迹优化是三个核心子模块。近两年大模型开始渗透到这个层面规划从“检索专家知识”逐渐变成“模型直接生成候选动作”泛化能力明显增强但可解释性和安全性监控依然是待解决的难点。控制层的核心是让电机精确跟随轨迹。PID控制是工业界的常青树——比例、积分、微分三个环节原理简单鲁棒性好老工程师们调试起来轻车熟路。模型预测控制MPC通过滚动优化把动力学约束纳入考量适合需要同时优化多个目标的场景如双足行走时兼顾稳定性和能效。阻抗控制和导纳控制则是两个面对接触任务的经典方法阻抗控制通过调节机器人对外力响应的刚度、阻尼和惯性来柔顺地与物体交互导纳控制反之——测量力调节位置。我个人的实操经验是抓取易碎品时用阻抗控制非常有效夹爪在接触瞬间表现出“软”的特性玻璃杯从接触到夹紧的过程损伤率大幅下降。力位混合控制是一个值得单独强调的方向。传统机器人只用位置控制遇到位置偏差大了就会硬撞力控机器人用力的反馈来修正位置碰到硬表面知道“该停下了”。两类控制结合才让机器人既能走得准、又能碰得稳。这也是工业场景里最实用的技能之一尤其用于装配、插孔、打磨这类高难度任务。5. 具身智能的应用场景与产业趋势5.1 落地场景全景从工业制造到家庭服务从落地时间线来看具身智能正在工业制造、物流仓储、家庭服务、商业服务四个方向同步推进。工业制造是目前成熟度最高的场景。散件抓取、上下料、装配、检测等环节传统机械臂受限于固定程序换型号就要停产调试几天甚至几周。具身智能机械臂搭配视觉和力觉传感器同一条产线可以快速切换多种工件柔性制造由此成为可能。我参与过一条汽车零部件装配线的改造原来的方案是每种零件配一套专用夹具改造后一台机械臂加一个视觉引导系统就覆盖了五种零件的抓取和装配换型时间从按天计缩短到按小时计。数字化、智能化的产线升级是全行业的大趋势。物流仓储场景是另一个重要战场。自动导引车和机械臂结合的移动操作机器人可以完成货物分拣、货架取放、包裹打包等任务。与人类配送员协同工作的机器人需要高效的感知避障和路径规划能力仓储环境里货架间距狭小、通道光线不均对感知鲁棒性是很大的考验。家庭服务是想象空间最大但技术挑战也最高的场景。叠衣服、收拾桌子、整理房间这类家务对人类来说是轻车熟路对机器人来说每一项都涉及柔软物体操作、语义理解、复杂环境适应等难题。当前人形机器人的技术成熟度距离大规模商用还有明显距离但我认为未来3到5年会出现定点场景的商用突破比如酒店客房送物、办公室清洁通用家庭服务还需要更长时间。5.2 具身智能为什么是“下一代AI”的重要方向“下一代AI”的说法这几年媒体上用得很多但具身智能确实有支撑这个提法的技术逻辑。原因在于它把AI从虚拟世界拉进了物理世界打开了全新的数据维度和应用维度。大模型的强大来自海量互联网文本数据但这些数据本身是“二手经验”——文字描述了世界但世界本身比文字丰富得多。具身智能可以通过物理交互直接产生“一手数据”视觉、触觉、力觉、深度等多模态数据在真实时间流中自然对齐。对AI而言这种包含物理因果的数据比单纯文本更有信息量。从学术研究的角度看具身智能带来了一个全新的评估体系。传统NLP的基准测试很容易被刷分因为测试集和数据分布相对固定具身智能的评估放到真实世界未知性和复杂性天然地阻止了“过拟合刷分”也让模型能力的评估更加“底层真实”。很多从业者都认同物理世界是检验智能最公平的考场。无论是“空间智能”理解三维空间并与之交互还是“世界模型”预测物理动态这些前沿方向都以具身环境为核心实验场这进一步推动了产业投入。2024年以来科技巨头纷纷把资源押注到机器人基础模型上高校实验室也大量转向这个方向人才缺口正在快速扩大。5.3 产业现状与挑战硬件成本、数据匮乏、安全可靠性产业前景虽然清晰但当前阶段绕不开三个硬约束。第一个是硬件成本。一台配置较好的具身机器人在硬件机械臂、移动底盘、传感器、计算单元上的投入往往在几十万元以上关键传感器——激光雷达、高精度力矩传感器、阵列式触觉皮肤——单价都很高。这直接制约了大规模数据采集和商业铺开的速度。第二个是数据匮乏。具身智能的学习高度依赖“行为数据”但机器人在真实世界的交互频率远低于文字和图像的生成速度。目前业界主要通过三类方式补数据仿真生成量大但存在真实度差、人类遥操作采集真实但成本高、速度慢、从互联网视频中学习数量大但噪声高。数据问题短期没有完美解多路并行补数据是必然选择。第三个是安全可靠性。机器人进入真实环境与人共处对安全性的要求极高。决策失误可能导致物品损坏、人员受伤或系统自身失控。目前的学界方向包括设计形式化安全验证框架让系统安全性在代码层面被证明、引入人类监督关键时刻人可以介入接管、增强系统自诊断能力持续监控自身状态异常时主动停机或进入安全模式。产品化之所以推进缓慢很大程度上是安全成本推高了验证周期。6. 传感器在具身智能中的角色定位与系列预告6.1 为什么传感器是具身智能的“感官天花板”回到这个系列的核心主题——传感器技术。在具身智能系统里传感器的地位怎么强调都不过分我习惯称它为“感官天花板”。系统能感知到什么决定了它能做到什么传感器信息缺失算法再先进也等于盲人摸象。更关键的是传感器直接决定了AI理解世界的精度和维度。人类婴儿认识世界靠眼睛、耳朵、皮肤、肌肉本体感觉的协同发育具身智能机器人同理——它认知世界的边界完全由传感器阵列的覆盖范围和精度决定。如果一个机器人只有普通摄像头而没有力觉它学习抓握的难度会比人类婴儿高得多因为缺失了“手上有多少力”这个关键信息维度。传感器硬件本身也在快速迭代视觉方面事件相机只在像素亮度变化时输出数据解决了高速运动下的模糊问题触觉方面高分辨率柔性电子皮肤正在把“手感”实时数字化力觉方面六维力传感器让机器人能够感知手腕上极小范围内的力和力矩变化。每一项传感器技术的突破都会直接拓宽具身智能的能力边界。6.2 各类型传感器在机器人系统中的对应关系把传感器和具体机器人部件的对应关系梳理清楚对设计系统架构非常有帮助。我常用一个表格来做选型参考机器人部位对应传感器主要功能典型应用眼睛/头顶RGB相机、深度相机、激光雷达环境感知、目标识别、避障导航定位物体、地图构建耳朵麦克风阵列语音识别、声源定位人机语音交互皮肤/指腹触觉传感器、电子皮肤接触力反馈、物体表面特性识别抓取力控制、表面质地判断关节编码器、角度传感器关节角度、角速度测量运动学解算、轨迹跟踪肌肉/关节受力力矩传感器、电流环力反馈、异常检测柔顺控制、碰撞检测平衡器官IMU陀螺仪、加速度计姿态角度、线加速度测量平衡控制、状态估计后续的系列文章会沿着这张表逐类展开。先写清楚每类传感器的工作原理、关键性能指标、选型时容易忽略的坑再到如何在真实机器人上配置与标定最后讲多传感器融合在项目中的实战经验。6.3 这个系列后续文章的内容走向系列第一篇文章主要完成了概念铺垫本篇是对具身智能系统的整体概括。后续文章的规划大致按这个顺序展开传感器基础篇逐类拆解——视觉传感器、深度传感器、触觉传感器、力传感器、惯性传感器、编码器等。每个传感器写清楚工作原理、核心参数分辨率、帧率、精度、带宽、性能对比、选型建议。传感器融合篇多传感器数据融合的工程实践包括坐标标定、时间同步、前融合/后融合的策略选择、失败场景分析。行业应用篇工业装配、物流分拣、家庭服务三个典型场景下的传感器配置方案每个场景给出实际案例和数据指标。我会尽量把实验室里的经验法则和工业现场的真实问题都写进去。传感器选型没有绝对的“最好”只有“最适合”理解原理和权衡取舍比背参数表重要得多。7. 实操体会与个人建议文章写到尾声分享几个自己在真实项目里的切身感受供同行们参考。第一不要轻视“感知冗余”。在具身智能项目里单一传感器很难长时间保持稳定。摄像头会被逆光打爆深度相机会被透明材质骗过IMU会漂移。多传感器冗余不是你优化完再考虑的事而是一开始就要做进系统架构里的设计约束。我在抓取项目中视觉失效的瞬间往往就是力觉传感器接管兜底保住整个任务不崩溃的时刻。第二仿真和实物的差距比你想象的更大。很多算法团队在仿真环境里效果惊艳一到真实硬件上就回归到“幼儿园水平”。建议尽量缩短“仿真→实物”的验证周期哪怕每周只在真实机器上跑一两次也能尽早暴露出传感器噪声、通信延迟、机械结构误差等仿真里根本不存在的问题。越早越省成本真实硬件上的问题越晚发现越难改。第三选传感器时先定需求再看参数最后才看品牌。需求要测什么量、精度要求多少、响应频率多快、环境条件如何决定传感器类别类别下的具体型号再比较参数品牌优先级反而要排在后面。我见过不少团队先被宣传材料打动买了高端传感器最后发现性能过剩、接口难搞、项目进度还被拖累。工具是为需求服务的这个顺序别搞反。第四具身智能项目本质上是系统工程。算法只是其中一个模块感知硬件、机械结构、嵌入式控制、系统集成缺一不可。没必要所有东西都自己造买成熟的机械臂和传感器把精力聚焦在数据、算法和应用体验上往往是更理性的选择。这个系列接下来会把传感器逐个拆开讲透。如果你正准备入行或者已经在做相关项目欢迎带着实际问题来交流踩过的坑、走过的弯路往往是最有价值的学习材料。
