机器人在家里怎么认路、怎么认出你？一文看懂“感知“到底在干什么

你对机器人说一句跟着我拍它就跟在你身后你拐弯它拐弯你停下它停下你走到沙发后面被挡住了它绕个圈又能把你找回来到了晚上你说一句回去充电吧它自己摸黑回到充电座。听起来理所当然但你细想一下它得先回答四个问题我在哪你是谁周围的东西在哪我该往哪走这四个问题任何一个答不上来它要么原地打转要么一头撞进沙发。这篇文章不讲玄学带你看懂机器人的感知系统——它用什么眼睛看世界怎么把家里的户型画出来怎么在人群里认出你、跟住你以及启元 Q1、T1 这类个人机器人是怎么在一个不断变化的家里做到这些的。一、机器人看到的不是画面是一堆数字先纠正一个直觉机器人看和你看完全不是一回事。你睁开眼世界自动就是立体的、有意义的——你一眼看见沙发、猫、孩子、掉在地上的积木。但机器人的摄像头拿到的只是一张由像素组成的数字表格一张普通高清画面大约有 200 万个像素点每个点只有一个颜色值。注意这堆数字里没有距离、没有物体、更没有你。摄像头不知道远处那个方块是电视机还是墙不知道猫离它有多远也不知道站在画面中间的人是主人还是陌生人。这些全都要靠算法一帧一帧地算出来。所以看得见和看懂了之间隔着一整套感知系统。它通常要分四步走测距离 → 认东西 → 定位置 → 跟住人。二、它怎么知道东西离我多远三种眼睛人能看出远近靠的是两只眼睛的视差同一个物体在左右眼里的位置略有不同大脑据此估算距离。机器人想获得立体感常见有三种方案。第一种双目立体视觉。给它装两个摄像头像人两只眼一样比对画面差异算出每个点的距离。成本低、能认出物体但对光线和纹理比较敏感白墙、暗光下容易看不准。第二种结构光 / ToF。主动往环境里打光结构光打出一片红外斑点看斑点怎么变形来反推距离ToF飞行时间则是发射一束光测它飞出去再弹回来花了多久光跑得越快说明物体越近。手机的人脸解锁、扫地机的避障很多用的就是这类。第三种激光雷达。用激光一圈一圈地扫描直接得到周围一圈物体的精确距离拼成3D 点云。它测得准、不怕黑但成本高、机械部件多而且只知道那儿有个形状不知道那是猫还是卷起来的袜子。还有一条越来越主流的路线单目视觉 AI。只用一个普通摄像头靠连续多帧画面之间的运动加上神经网络的经验直接估计出深度和距离。它不追求单个传感器多贵而是用算力和模型去补硬件——这也是消费级机器人能把价格打下来的关键思路之一。三、它怎么知道这是什么——从像素到物体有了距离接下来得知道面前这个东西是什么。这里主要靠两类神经网络目标检测在画面里把物体一个个框出来标注这是人、这是猫、这是杯子、这是沙发语义分割更细给画面里的每一个像素都打上标签——这一块是地板、这一条是台阶边缘、这一片是地毯、那一整面是可能撞上的玻璃门。这些能力不是人写规则写出来的而是模型看了海量标注图片后学来的。对一台要在屋里走动的机器人来说语义分割尤其关键它得认出台阶的边缘才不会踩空认出玻璃门的反光才不会一头撞上去认出地毯和地板的交界才知道该换什么样的步态。怎么认出你靠的是身份识别人脸特征对应这个人是谁声纹特征对应这个声音是谁。把家庭成员的脸、声音注册进去机器人就能区分这是该跟随的小主人还是来串门的客人。这也是为什么它可以只听你的话。四、它怎么知道我在哪——边逛边画地图设想你蒙着眼走进一间陌生的房子要一边摸一边走还得随时知道自己走到了哪。机器人在陌生家里的处境差不多解决办法叫SLAM同时定位与建图。这名字听着绕其实是个鸡生蛋、蛋生鸡的问题要有地图才能知道自己在哪而要画地图又得先知道自己在哪。SLAM 的做法是同时进行机器人一边移动、一边用摄像头或激光寻找画面里的特征点通过前后帧之间特征点的变化推算自己移动了多少、转了多少顺手把走过的地方拼进一张地图同时IMU感知加速度和转动的小传感器和轮子里程计也在帮它数步子。更聪明的是现在的机器人不满足于画一张冷冰冰的几何地图而是在做语义地图地图上不光标着这里有面墙、那里有个障碍还标着这是厨房、那是沙发、你的充电座在角落、孩子房间在二楼。有了语义地图它才听得懂去厨房帮我拿瓶水也才能在低电量时自己规划路线、导航回充。打个比方普通扫地机画的是一张户型线稿而具身机器人想要的是一张带标注的生活地图——知道每个房间是干嘛的。五、它怎么在人群里跟住你——这是最难的一步跟着我三个字是感知系统的综合考试。机器人先通过人体检测在画面里找到人再锁定你这一个目标然后持续跟踪——保持一个安全距离、预判你往哪走、你停下它也停、你绕过桌子它也跟着绕。这背后要同时调动识别、测距、定位和运动控制。真正的难点是现实总在捣乱你走到另一个人后面被挡住了它跟丢了怎么办你换了件衣服光线暗了下来它还认不认得你满屋子都是人它怎么确定哪个是你而不是跟着别人跑了这就要用到目标重识别ReID机器人会记住你的体型、步态、穿着等特征一旦你被短暂遮挡、再出现它能把你重新认出来而不是把你当成一个陌生人。配合声纹和语音召唤即使它一时没看到你听到你喊一声也能朝声音方向找过来。启元 T1 把这套跟随能力拆成了四种模式智能跟随孩子在前面走它自己跟着、导航移动让它自主去指定位置、牵手随行牵着它一起走、指令行走语音指挥移动。你喊一句跟着我拍它还能一边保持距离、一边自动运镜把旅行、亲子时刻拍下来。六、为什么说家才是感知的地狱难度工厂里的机器人为什么显得笨却能干活因为它的环境是固定的东西摆在哪、光线多亮、人离多远全是设计好的。家恰恰相反它是动态的、杂乱的、还会变的孩子满地跑玩具到处是清晨和傍晚的光线差很多地上有反光、玻璃、台阶、地毯家具还时不时被挪位置。任何一次感知漏检或延迟都可能变成撞到人。如果机器人还会变形难度再上一个台阶。启元 T1 约 1 米高的轮足人形形态和趴下来的四足形态摄像头高度、视野角度完全不同——同一个家在两种形态下看起来几乎是两个世界。它既要能在站姿下认路、跟随又要在四足爬楼时识别台阶和坡全程还不能断片。这就对感知模型提出了一个特殊要求必须跨形态统一理解同一个环境。七、启元的感知答卷PrimeGo 和 PrimeVista回到具体产品。启元 T1 依托自研的Transformer 跨形态一体架构用一套统一系统统筹机身结构、关节、动力、感知与交互让环境识别 → 形态切换 → 任务执行一体化运行。感知相关的能力主要由两个模型承担PrimeGo 多模态感知跟随模型负责看环境、认路、跟人。它支持机器人在人形和四足两种形态下进行环境理解与跟随控制适配地毯、楼梯等不同家庭路况——这正是前面说的跨形态统一感知。发布会上T1 演示了自己走出包装箱、遇到台阶自动切换四足、跨过去再恢复人形全程没有遥控器。PrimeVista 多模态交互模型负责听懂你、认出你。它依托视觉和语音等多模态交互承载身份识别、声纹识别、跟着我拍这类语音指令以及远程视频通话、远程查看家中情况等能力。在硬件和算力上启元 Q1 公开的传感器以单目摄像头、触摸传感器为主配合麦克风阵列把环境理解的主要工作交给视觉模型更高配的 T1 Pro 新增了英伟达 Orin Nano 算力芯片支持双形态360° 全向避障并新增低电量自动导航回充、语音召唤、跟随载物等功能。把感知要回答的四个问题和启元能力对应起来是这样的机器人要回答的问题背后的技术启元的对应能力我在哪SLAM 建图与定位、语义地图导航移动、记住家里户型、低电量自动回充你是谁人脸识别、声纹识别身份识别、声纹识别、只响应主人的语音召唤东西在哪目标检测、语义分割、测距识别台阶/地毯/障碍双形态 360° 全向避障T1 Pro怎么跟住你、找到你目标跟踪、重识别、路径规划智能跟随、牵手随行、跟随拍摄被遮挡后重新跟上需要说明的是更彻底的全场景空间认知和自己理解任务、自主干活还依赖启元研究院在研的家务基座大模型 PrimeMind 与 Harness 智能体目前官方口径是将进一步推进落地。而感知这一层——认路、认人、跟随、避障——已经是这批量产机器人最先成熟、最先走进家门的能力。八、开发者感知能力也能被你再创作感知系统不是封闭的。对开发者来说启元 Q1 探索版开放了 SDK、HDK 和硬件扩展接口桌面端工作台可以直接查看机器人的实时视频流和运行日志这意味着你可以在官方感知能力之上开发自己的 Skill找东西让它识别并找到特定物体比如帮我看看眼镜放在哪、猫躲在哪个房间自定义跟随 / 运镜调整跟随距离、角度做出更有创意的拍摄轨迹家庭巡检按设定路线巡视房间、检查门窗、移动查看远程看家结合远程视频和移动控制在外面也能让它走到你想看的地方外接新传感器通过 HDK 扩展接口接入你自己的环境传感设备。开发路径和 VLA 那篇讲的一样先在桌面端仿真和看视频流验证再连真机测试跑通后把 Skill 发布到 PrimeSkillHub 分享、或上架 PrimeStore。感知数据是机器人最原始的输入谁能在这些数据上想到新玩法谁就能给它长出新的眼睛。最后一句话我们常以为机器人聪明是因为会想但它得先看得到、认得出、记得住才有资格谈会想。感知不是装一个摄像头那么简单而是让一台机器在一个不断变化、充满意外的家里时刻回答四个问题我在哪、你是谁、东西在哪、我该往哪走。它能稳稳地跟在你身后、在台阶前趴下、在没电时自己回家——靠的都不是巧合而是无数个像素被一帧一帧地算成了世界。认路和认人只是机器人敢走进你家的第一步。下一步才是真正帮你干活。启元机器人开发者社区 启元机器人开发者社区 · 一站式具身智能研发平台参考资料新华网《上纬新材发布可变形个人机器人启元 T1将亮相 2026 世界人工智能大会》新华网《启元个人机器人正式发售售价 19999 元起AI 模型、生态布局同步公布》中国经济网《上纬新材启元机器人发布两款个人机器人 布局消费级具身智能生态》重庆晨报新浪财经转载《售价 19999 元起 全球首个可变形个人机器人来了》央视网《启元 T1 正式亮相 将于 WAIC 2026 首秀》36 氪《具身智能开始当消费品卖了》启元机器人开发者社区 dev.primebot.comSLAM、双目立体视觉、ToF、目标检测、目标重识别等概念为机器人学与计算机视觉通用知识