关掉家里所有的灯,让它去扫地。
它照样贴着墙根走,照样绕开餐桌腿,照样在沙发底下钻来钻去,最后自己回充。你打开手机看它画的地图,墙是墙、门是门,误差只有一两厘米。
它的“眼睛”,其实是一束每秒转 5 圈的激光。
01 先把“转”说清楚:每秒 5 圈,是什么节奏
扫地机器人顶上那个凸起的小圆塔,就是激光测距传感器(LDS, Laser Distance Sensor)。
按小米公开的产品参数:它以 5×360°/秒 的速度扫描,也就是每秒转 5 圈、每分钟 300 转;每秒测距 1800 次;最大精确测距 6 米;误差不超过 2%。厂商注明了数据来自石头科技实验室,属于厂商自测口径。
这是什么概念?你家的微波炉转盘大概每分钟 5–6 转,这个激光头比它快 50 倍左右(自算)。一秒之内,它已经把整间屋子“扫”了 5 遍。
再往底层看一层。这类 LDS 的经典方案在学术论文里写得很清楚:一个激光发射器加一个图像传感器装在转轴上,靠滑环供电、靠短距无线回传数据;角分辨率 0.25°,全周按 1° 一个点采样,每秒可出 4000 个读数,扫描频率最高 10 Hz,6 米处误差小于 3 厘米,整套硬件成本不到 30 美元。
一架火星车、一台 L4 自动驾驶汽车上的激光雷达,用的是同一套测量学:发一束光,等它回来,用往返时间算距离。区别只是家里的这一台,把成本压到了几十美元。
02 它看见的不是“家”,是一张零厚度的平面
这里有个常被误解的点:单线激光雷达扫出来的,不是三维的家,而是一个水平面上的点。
它装在离地十几厘米的高度,转一圈,得到的是这一圈上所有障碍物的距离——墙、桌腿、椅脚、垃圾桶。把这些距离按角度摊开,就是一串点,叫点云(point cloud)。
所以它其实只“看”得见一层纸那么薄的世界。严格说,连纸都没有厚度:那是一个零厚度的平面。
这带来两个直接后果。
第一,它看不见地面上的东西。一根电线、一只拖鞋、一摊水,都在这层平面之下,所以它还得配悬崖传感器、超声雷达、碰撞传感器来补盲区。
第二,它看得见“轮廓”,看不见“意义”。它知道 3 米外有个 40 厘米宽的凸起,但不知道那是椅子还是猫。要判断“这是什么”,得再加摄像头和识别算法;只靠激光,它只能保证不撞。
03 更难的问题不是“这是什么”,而是“我在哪”
测绘里最要命的从来不是测距,是定位。
你手里的尺子再准,只要你不知道自己站在哪儿,量出来的坐标就全是废的。扫地机器人用的是 SLAM(Simultaneous Localization and Mapping,同步定位与建图):一边用激光点云认环境,一边用陀螺仪、轮子里程计算自己挪了多少,两路信息互相校正。
它每走一步,都在同时回答两个问题:这面墙在哪,我在墙的哪一边。
这里的精度可以做到厘米级。媒体转述厂商实测的口径是建图精度约 ±1.5 厘米;同一篇报道还引了 IDC 2024 年的数据,说主流激光导航机型重定位成功率 99.3%,视觉导航是 87.6%——这组数属于媒体转引,当参考看。
为什么激光比摄像头稳?因为光不受灯影响。你把灯关了,摄像头瞎了,激光还在测;你开着强光直射,摄像头过曝,激光还在测。
04 有了地图,它才开始“犁地”
建完图,路径才有意义。
主流做法是“弓”字形(boustrophedon):先沿墙走一圈把边界摸清,再在区域内来回平行扫,一行挨着一行,像农民犁地。行距定得比机身宽度小一点,就能保证不漏;行距定大了,效率高但会漏扫。
这套逻辑还有个副产品:断点续扫。电量低了,它自己回充电座,充完再回到刚才断掉的位置接着扫。要做到这件事,它必须记住“我刚才扫到哪一行第几米”,这靠的还是那张地图加自己的定位。
05 三颗“大脑”和一笔成本账
厂商公开资料里提到,这类机器上装了三颗处理器:一颗管应用与算法,一颗管传感器与运动控制,还有一颗负责其他实时任务。它们分工协作,同步采集、实时建图、实时规划。
十年前的家用机器人是“随机碰撞式”:撞到墙就转弯,靠运气覆盖。今天的机器先测绘再作业,路线是可以复算的。媒体引 IDC 报告的说法是,具备激光导航的机型在覆盖率和规划效率上比随机碰撞式提升超过 65%——仍是转引口径,但方向很清楚。
真正的产业意义在这儿:扫地机器人的进步,不是因为它的“眼睛”更聪明,而是因为测量变便宜了。一个不到 30 美元的激光模组,把测绘级的能力塞进了家用电器,然后这套能力又反过来喂给了自动驾驶、仓储机器人、火星车。
所以下次它在你脚边绕过去的时候,你可以想一下:它其实没看见你,它只是算出了你所在的位置——一个距离、一个角度,和一圈刚刚扫过的点。
它把“看不见”,算成了“量得准”。
热门跟贴