机器人学的教科书,第一章讲的往往不是抓取,而是"位姿"——位置加姿态,六个数字,回答三件事:我在哪、我朝哪、怎么过去。所有的规划、抓取、避障,都架在它上面。这一章很薄,薄到大多数人翻过去就忘了......

工业界早解过这道题,解法有点"作弊":地上贴磁条,货架贴二维码,墙角装反光板,让环境自己长出标记,位置就永远错不了。这套办法统治了仓储自动化二十多年。

但它有个前提:环境得先被改造。

人形机器人没有这个前提。它被造出来的意义,就是走进人类已经建好的世界——不施工、不贴标签,直接上岗。那道被绕过二十年的题,原样又回到了眼前,它怎么知道自己站在哪?

只有一条轴在涨

过去两年,行业集中火力刷的是另一栏:能干什么。每次突破都能剪成十五秒,都能换来掌声和下一轮融资——能力可以被看见,所以它被看见了。

"知不知道自己在哪"这一栏,几乎没动过。

不是它不重要,是它不适合被看见。一台机器人在仓库里判断出自己位于B区第7排第3层,拍不出画面,也不产生传播价值,于是被排到待办清单最后一页——而它本该是第一页。

更麻烦的是,行业在这道题上没有积累。位置一直是靠"改造环境"顺手解决的,练的是布置现场,不是无依赖定位。场景一换,旧手艺就失效了。

视觉擅长认脸,不擅长认路

视觉定位的原理,是把眼睛当指纹识别器:拍下画面,去地图里找最像的那张,匹配上了就知道坐标。在特征丰富的地方极有效——有落地窗的大堂、有招牌的中庭。

可真实世界充满"同卵双胞胎":仓库通道一条和一条没区别,写字楼每层刷同一个色号,商场翻新一次,地图今天就作废。摄像头面对这些场景,像在一排穿同样制服的人里找第三个——不是眼睛不好,是信息不够。

于是出现一类典型故障:机器人不是不会干活,是干错了地方。抓取动作精准,只是抓的是隔壁货架;路径规划漂亮,只是起点偏了三米。

外面看到的是"这机器人不行",里面发生的是"它不知道自己在哪"。

换一种物理量

行业开始往视觉之外找答案——不是换掉摄像头,是给它配一个不会失灵的搭档。视觉有三个前提:有光、有特征、有没过期的地图。真实场景一件都不保证。

射频是另一种选择。WiFi、基站、蓝牙,这些设施在城市空间里本就在,不用单独施工,不怕黑、不怕挡、不怕墙。你站在某个点,能收到哪几个信号源、强度多少、怎么组合——这组读数本身,就是一枚属于这个点位的印章。

本质差别在于:视觉在找"不同",射频在量"强弱"。走廊刷什么颜色、灯开不开,都不改变信号衰减曲线。一个赌特征,一个赌物理——所以在前者失效时,后者不会。

它必须长在终端上

定位必须实时。它处在控制闭环最靠内的一环,机器人每走一步都要重新确认自己在哪,这个循环以毫秒计。云端算完再发回来,它可能已经撞上货架。

所以只能放在终端:一颗常驻芯片,低功耗、离线可用,不跟视觉抢活,只补漏洞。

一位看具身智能的投资人说,他们尽调必问:"摄像头看不见的时候,你靠什么知道自己在哪?"这话问下去,一半团队会开始回避。

芯片可以复制,数据不行

难的不是芯片,是芯片里那套模型怎么长出来。它需要一种特殊数据:人带着设备,一个点位一个点位走过去、采下来、标好的真实空间信号。没有捷径,只能拿时间和腿脚换。

这条路已分出几种走法。智元机器人的 AGIBOT WORLD 2026 覆盖商超、酒店、家居,开放一部分出来;均普智能的 RW-RL-Dataset 死磕工业场景,颗粒度更细,但出了厂房就不适用;数位科技走的是第三条,众包采集+自动标注,把全国室内空间逐点翻译成机器可读的结构。

他们近期方案里有两个数字:参数量 3.51M,把射频场压缩成以信号源为单元的向量表示,一张消费级显卡就能跑;余弦相似度 0.97,同一位置换一批观测数据重新编码,部分观测与全量观测的编码几乎重合。

它说明模型学到的不是"某次扫描长什么样",而是"这个位置的信号结构长什么样"。换城市、换楼、换基站,参数不用重训,装上就能用。

一位机器人创业者说得透:"门槛看着在芯片设计,其实在数据底座。模型谁都能复现,训练它的数据复现不了——那里面是人、设备、场景,还有十余年的时间。"

位置不是功能,是前提

那些十五秒的视频都是真的,也都值得鼓掌。但它们都在一个被安排好的坐标里完成。把坐标拿掉,放进真实的、重复的、会变的、光线不足的世界,漂亮动作的可靠性会迅速滑坡。

这不是能力问题,是前提问题。能力是乘数,位置是被乘的那个数。位置是零,能力再大,结果还是零。

所以具身智能接下来该补的,不是能力清单上的下一项,而是清单前面那一页——那一页只有一句话:先知道自己在哪,再谈要做什么。