在科技革新的浪潮中，各种功能型机器人层出不穷，其中，无人清扫机器人正在以前所未有的速度变革着城市清洁服务。

在本文中，我们将结合最新研究成果和技术应用，探讨无人清扫机器人星筠®通过哪些核心技术手段，实现高效、安全且可靠的清扫作业。

全息洞察、融合感知，

基于多模态感知技术与融合算法方案

无人清扫机器人的全天候工作能力依赖于强大的感知系统。

为了克服单一感知方式的局限性，有效提升机器人的环境适应能力和目标识别的准确性，无人清扫机器人星筠®创新性地采用了多源异构传感器方案，即以视觉AI为主导，结合多种传感器协同工作。

# 多源异构传感器方案包括

非接触式传感器

高清可见光摄像头：捕捉清晰的RGB图像，呈现周围环境细节，包括色彩、纹理和动态变化。

红外热成像摄像头：在夜晚或光线不足的环境下，探测热量差异，识别隐藏的障碍物或异常温度区域。

激光雷达：提供高精度三维点云数据，实现精确测距与障碍物检测，不受光照条件的影响。

接触式传感器

通过力接触获取硬度数据，不仅能保护作业机构，还能为视觉感知提供有效的监督信息。

这些传感器的数据不是孤立的，而是通过算法进行融合，形成一个统一、高维度的感知画面，使每个像素有颜色、纹理、硬度等信息。

这些来自“多维异构数据矩阵”的海量信息，再通过多模态数据融合算法处理和解释，能提高感知的精度和鲁棒性，大幅增强机器人对复杂环境的适应能力。

• 环境状态自适应：应对各种不同场景。

• 目标识别与分类：识别行人、车辆、动物等，提供决策依据。

• 场景建立与语义分割：创建详细场景地图，识别关键元素。

• 动态目标预测：预测周围物体的未来动作，制定应急策略。

• 未知小物体分析：精确感知未知障碍物尺度，判断物体硬度。

部分应用场景1：凸起路面部分应用场景2：多限宽路障部分应用场景3：单限宽路障

在实际作业中，机器人一旦检测到障碍物，便会迅速处理传感器数据，生成最优路径规划，避免碰撞；此外，云端能持续监控清扫效果，对未清洁区域进行识别及补扫，确保作业的安全性和连续性。

△ 机身摄像头分布情况△ 机身前后摄像头拍摄对比

为了更好应对复杂场景，我们创新性地采用了非均匀分布OCC占用网络——将感知到的环境数据转化为结构化的占据栅格地图，并根据场景复杂度动态调整栅格密度。通过对动态场景的精细化建模，机器人能够在确保做出精确决策的同时精简算力，提高整体运行效率。

△ 非均匀分布OCC占用网络

动态决策、精细控制，

“端到端学习”与“力控制策略”

端到端学习：一体化整合，打破传统模块化系统的“瓶颈”

在传统环卫工作中，无论是人工还是传统的自动驾驶系统，通常需要经历一个复杂的过程：首先由传感器收集环境信息，然后通过预处理模块进行信息分类和整理；接着由决策模块根据整理后的信息做出判断；最后由执行机构完成相应的动作。

△ 传统模块化系统（图片源于网络公开资料）

这种模块独立、分步处理的方式虽然在一定程度上实现了自动化，但在复杂多变的道路环境中，或在面对突发状况时，往往反应迟缓，这样的模块化架构可能会导致信息交互的延迟，进而影响决策的速度。

与此形成鲜明对比的是，端到端学习采用了一种全新的集成方式。

△ 端到端学习（图片源于网络公开资料）

端到端学习（End-to-End Learning）是建立在深度学习框架之上的一种方法，其核心在于使用单一的神经网络模型直接从输入数据生成最终输出结果。

人工神经网络是一种模仿人脑神经元工作方式的数学模型，它能通过学习大量的数据来识别模式并进行预测。

我们将端到端学习这一技术应用于无人清扫机器人星筠®，通过统一的神经网络模型，从传感器（如摄像头、激光雷达等）直接获取输入并做出决策，整合感知、决策和执行过程，形成一体化的高效工作模式，更好地应对复杂多变的作业环境。

△ 端到端架构

端到端架构的优势

• 简化决策链条：减少信息传递中的延迟现象。

• 提升反应速度和决策精度：快速适应环境变化，做出精准反应。

• 一体化的高效工作模式：整合感知、决策和执行过程。

例如，星筠®的传感器会持续采集路况、天气变化、交通流量及地面脏污情况等实时数据，基于这些数据，端到端模型能够直接生成清扫决策，包括行进路径、避障策略以及对清扫力度和频次的调整。

当处在行人突然出现或车辆变道等动态场景中时，端到端模型能更快速地适应变化，做出精准反应。

由于所有步骤都在同一算法框架内完成，机器人可以实现更为协调一致的操作，从而提升整体工作效率。

力控制策略：实现高效的执行与互动

就像人类依赖多种感官来感知环境而不单是视觉一样，无人清扫机器人星筠®除了配备视觉传感器之外，还集成了多种触觉传感器——如力传感器、角度传感器、陀螺仪和加速度计等，实时采集环境数据及机器人状态信息并经过预处理（如去噪、滤波和归一化），以确保信息的准确性和一致性；

再通过神经网络对处理后的数据进行特征提取，让机器人能够识别环境特征并分析当前状态。

基于大量现实中的标注数据集和生成式AI模拟的数据，深度学习模型会针对不同环境的力控制策略进行大量训练，提升机器人的泛化推理能力，从而更好地应对在作业中遇到的各类复杂情况。

△ 力控制训练逻辑

在实际作业中，实时传感器数据会被输入到训练好的模型中，模型会根据当前环境状态即时预测合适的力控制策略，并通过控制器精确执行相应动作。同时，力传感器会持续监测机器人在作业过程中施加的力，将反馈数据传输给控制系统，并根据实际情况动态优化控制策略，确保机器人配备的自适应独立扫盘能够执行到位。

就像人类在触摸物体时会调整力度一样，触觉传感器使机器人能够灵敏感知环境变化，精确调整清扫动作。例如在贴近边缘清扫时，机器人能够自动调整力道，避免清扫盘侵入量过大，从而减少磨损并延长使用寿命。

通过持续监测与动态反馈，机器人形成了感知-决策-执行闭环，确保在复杂环境中高效、可靠地运行。

目前，我们已积累了超6万辆环卫车的作业数据，依托云端管理系统的强大数据处理能力，为无人清扫机器人星筠®的强化学习、算法优化提供了丰富的数据池，并在上海、江苏、浙江、广东、四川、河南等地区的商业化运营中，更加精准、高效地应对多样化的作业场景，确保作业质量严格遵循环卫考核标准。

未来，我们将不断深耕无人清扫技术应用、持续积累数据，在城市少人化/无人化环卫运营乃至更多领域发挥无人清扫机器人独特的优势，成为推动社会进步和城市现代化的重要力量。