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：

1. 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；
2. 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；
3. 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；
4. 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。