环境感知摘要具身智能与自动驾驶在环境感知技术上存在显著差异。自动驾驶关注远距离目标如卡车、车道线而具身智能聚焦近距离物体如杯子、剪刀需精确感知物体的位置和可操作性。核心传感器包括RGB-D相机提供高精度深度信息毫米级支持手眼协调是VLA大模型的关键输入激光雷达用于导航和避障需超大视场角360°×90°以应对复杂环境事件相机通过异步触发捕捉高速运动解决传统相机的动态模糊问题麦克风阵列实现声源定位和波束成形增强人机交互与异常检测能力。这些技术共同构建机器人的多模态感知系统使其适应精细操作与动态场景需求。虽然具身智能与自动驾驶共享了大部分感知技术栈如 SLAM、目标检测但应用场景的差异决定了两者关注点截然不同自动驾驶关注**“百米外的卡车和车道线”为了活着具身智能关注“半米内的杯子和剪刀”**为了干活。环境感知 (Exteroception) —— 机器人的“眼睛”与“耳朵”这一系统负责构建机器人对外部世界的 3D 语义理解。它不仅要回答“前面有什么”还要回答“它离我的手有多远”、“我能不能捏住它”。1. RGB-D 相机 (深度相机) —— 机器人的“立体视觉”这是具身智能最不可或缺的核心传感器地位远高于自动驾驶中的单目/双目相机。技术原理 (Depth 的来源)结构光 (Structured Light)发射特定的红外散斑图案根据图案变形计算距离。精度极高毫米级适合近距离精细操作如穿针引线、抓药丸代表作Realsense D435, Orbbec Astra。ToF (Time of Flight)发射光脉冲并测量反射回来的时间。抗强光能力强适合中远距离感知代表作Azure Kinect。主动双目 (Active Stereo)双摄 红外投影辅助。兼顾了室外强光和室内弱纹理场景。关键差异 (vs 自动驾驶)近距盲区小车载相机看清 1米外就行机器人必须看清10cm - 50cm的工作台面。稠密点云机器人需要物体表面的高致密深度信息来计算抓取点Grasp Pose而不是像车那样只看个大概轮廓。具身智能价值手眼协调 (Hand-Eye Coordination)它是 VLA 大模型最重要的输入源。RGB 图告诉 AI “这是苹果”Depth 图告诉控制算法“苹果中心坐标是 (0.3m, 0.1m, 0.5m)”。2. 激光雷达 (LiDAR) —— 机器人的“空间扫描仪”虽然在视觉大模型VLM兴起的当下雷达地位略有下降但在**导航Navigation**层面依然是“定海神针”。技术形态单线/2D 雷达仅扫描一个平面用于构建 2D 栅格地图。成本低扫地机器人标配。3D 半固态/机械雷达扫描三维空间。人形机器人通常使用轻量化的小型 3D 雷达如 Livox Mid-360, Unitree 4D LiDAR。关键差异 (vs 自动驾驶)视场角 (FOV) 极大车载雷达主要看前方 120°机器人雷达通常需要360° x 90°的超大覆盖范围因为机器人需要时刻提防脚下的台阶和头顶的吊灯。测距要求低机器人主要在室内或园区活动探测30-50米足够不需要车载的 200米。具身智能价值SLAM 建图在陌生环境中快速构建高精度的 3D 点云地图解决“我在哪”的问题。全向避障弥补视觉在暗光或无纹理墙面下的失效风险。3. 事件相机 (Event Camera / DVS) —— 机器人的“动态视网膜”这是一种颠覆传统的仿生视觉传感器它不按“帧”拍照片而是记录像素亮度的“变化事件”。技术原理异步触发当某个像素点的亮度变化超过阈值时才输出一个信号 (x, y, t, polarity)。画面静止时它没有任何输出数据量极低物体高速运动时它能以微秒级的时间分辨率捕捉轨迹。核心作用极速运动捕捉能够捕捉子弹飞行、高速旋转扇叶或乒乓球轨迹完全没有普通相机的“运动模糊Motion Blur”。高动态范围 (HDR)在隧道出口或强光直射下普通相机会过曝“瞎掉”事件相机依然能看清轮廓。具身智能价值高动态交互比如机器人打乒乓球、接住飞来的物体或者在极度颠簸中保持视觉锁定。这是传统 RGB 相机30fps/60fps无法做到的。4. 麦克风阵列 (Mic Array) —— 机器人的“听觉中枢”听觉不仅是交互的入口也是感知的补充。技术形态环形/线性阵列通常在机器人头顶布置 4-8 个麦克风。核心算法声源定位 (SSL)利用声音到达不同麦克风的时间差TDOA计算出声源的角度Azimuth和俯仰角Elevation。精度可达 ±5°。波束成形 (Beamforming)像手电筒一样定向增强某个方向的声音如主人的说话声抑制其他方向的噪音如电视声、电机转动声。具身智能价值自然交互当你喊“嘿机器人”它能利用声源定位立刻转头面向你这是建立人机信任感的第一步。异常检测听到玻璃破碎声、婴儿哭声或重物倒地声触发安防警报。
具身智能中的传感器技术9——感知技术概述3
发布时间：2026/6/22 6:06:35
环境感知摘要具身智能与自动驾驶在环境感知技术上存在显著差异。自动驾驶关注远距离目标如卡车、车道线而具身智能聚焦近距离物体如杯子、剪刀需精确感知物体的位置和可操作性。核心传感器包括RGB-D相机提供高精度深度信息毫米级支持手眼协调是VLA大模型的关键输入激光雷达用于导航和避障需超大视场角360°×90°以应对复杂环境事件相机通过异步触发捕捉高速运动解决传统相机的动态模糊问题麦克风阵列实现声源定位和波束成形增强人机交互与异常检测能力。这些技术共同构建机器人的多模态感知系统使其适应精细操作与动态场景需求。虽然具身智能与自动驾驶共享了大部分感知技术栈如 SLAM、目标检测但应用场景的差异决定了两者关注点截然不同自动驾驶关注**“百米外的卡车和车道线”为了活着具身智能关注“半米内的杯子和剪刀”**为了干活。环境感知 (Exteroception) —— 机器人的“眼睛”与“耳朵”这一系统负责构建机器人对外部世界的 3D 语义理解。它不仅要回答“前面有什么”还要回答“它离我的手有多远”、“我能不能捏住它”。1. RGB-D 相机 (深度相机) —— 机器人的“立体视觉”这是具身智能最不可或缺的核心传感器地位远高于自动驾驶中的单目/双目相机。技术原理 (Depth 的来源)结构光 (Structured Light)发射特定的红外散斑图案根据图案变形计算距离。精度极高毫米级适合近距离精细操作如穿针引线、抓药丸代表作Realsense D435, Orbbec Astra。ToF (Time of Flight)发射光脉冲并测量反射回来的时间。抗强光能力强适合中远距离感知代表作Azure Kinect。主动双目 (Active Stereo)双摄 红外投影辅助。兼顾了室外强光和室内弱纹理场景。关键差异 (vs 自动驾驶)近距盲区小车载相机看清 1米外就行机器人必须看清10cm - 50cm的工作台面。稠密点云机器人需要物体表面的高致密深度信息来计算抓取点Grasp Pose而不是像车那样只看个大概轮廓。具身智能价值手眼协调 (Hand-Eye Coordination)它是 VLA 大模型最重要的输入源。RGB 图告诉 AI “这是苹果”Depth 图告诉控制算法“苹果中心坐标是 (0.3m, 0.1m, 0.5m)”。2. 激光雷达 (LiDAR) —— 机器人的“空间扫描仪”虽然在视觉大模型VLM兴起的当下雷达地位略有下降但在**导航Navigation**层面依然是“定海神针”。技术形态单线/2D 雷达仅扫描一个平面用于构建 2D 栅格地图。成本低扫地机器人标配。3D 半固态/机械雷达扫描三维空间。人形机器人通常使用轻量化的小型 3D 雷达如 Livox Mid-360, Unitree 4D LiDAR。关键差异 (vs 自动驾驶)视场角 (FOV) 极大车载雷达主要看前方 120°机器人雷达通常需要360° x 90°的超大覆盖范围因为机器人需要时刻提防脚下的台阶和头顶的吊灯。测距要求低机器人主要在室内或园区活动探测30-50米足够不需要车载的 200米。具身智能价值SLAM 建图在陌生环境中快速构建高精度的 3D 点云地图解决“我在哪”的问题。全向避障弥补视觉在暗光或无纹理墙面下的失效风险。3. 事件相机 (Event Camera / DVS) —— 机器人的“动态视网膜”这是一种颠覆传统的仿生视觉传感器它不按“帧”拍照片而是记录像素亮度的“变化事件”。技术原理异步触发当某个像素点的亮度变化超过阈值时才输出一个信号 (x, y, t, polarity)。画面静止时它没有任何输出数据量极低物体高速运动时它能以微秒级的时间分辨率捕捉轨迹。核心作用极速运动捕捉能够捕捉子弹飞行、高速旋转扇叶或乒乓球轨迹完全没有普通相机的“运动模糊Motion Blur”。高动态范围 (HDR)在隧道出口或强光直射下普通相机会过曝“瞎掉”事件相机依然能看清轮廓。具身智能价值高动态交互比如机器人打乒乓球、接住飞来的物体或者在极度颠簸中保持视觉锁定。这是传统 RGB 相机30fps/60fps无法做到的。4. 麦克风阵列 (Mic Array) —— 机器人的“听觉中枢”听觉不仅是交互的入口也是感知的补充。技术形态环形/线性阵列通常在机器人头顶布置 4-8 个麦克风。核心算法声源定位 (SSL)利用声音到达不同麦克风的时间差TDOA计算出声源的角度Azimuth和俯仰角Elevation。精度可达 ±5°。波束成形 (Beamforming)像手电筒一样定向增强某个方向的声音如主人的说话声抑制其他方向的噪音如电视声、电机转动声。具身智能价值自然交互当你喊“嘿机器人”它能利用声源定位立刻转头面向你这是建立人机信任感的第一步。异常检测听到玻璃破碎声、婴儿哭声或重物倒地声触发安防警报。
