1. 项目缘起从“租赁一台机器人”到定制化具身智能方案去年冬天熙慧科技黑龙江省熙慧科技服务有限公司接到一个特别需求某大型数据中心希望引入自主巡检机器人对机房温湿度、设备指示灯、异常声响进行 24 小时无人化巡查。客户最初只是想租赁两台现成的巡检机器人试用一段时间。然而在与客户深入沟通后我们的技术团队发现标准化的巡检机器人很难完全适配该数据中心狭长的通道、密集的机柜以及多种型号交换机的指示灯差异。于是熙慧科技决定为客户提供一套具身智能定制方案基于开源的 ROS 2 框架融合深度相机、激光雷达和强化学习导航策略打造真正“理解”机房环境的移动机器人。该项目最终也转化为公司的一款主力售卖产品。本文将完整复盘其中三项核心技术希望能为从事具身智能开发的同行提供参考。2. 系统总体架构我们的巡检机器人硬件平台为熙慧科技自研的四轮差速底盘搭载· Intel NUC 12 (i7) 作为主控· Slamtec RPLIDAR S2 激光雷达· Intel RealSense D435i 深度相机· 六轴 IMU· 温湿度、麦克风阵列等传感器软件栈如下· 操作系统Ubuntu 22.04 ROS 2 Humble· 仿真Gazebo NVIDIA Isaac Sim用于强化学习训练· 导航Nav2 框架 自定义局部规划器· 感知YOLOv8 用于指示灯检测Whisper 用于异常声音识别· 决策基于 PPO 的强化学习策略负责动态避障与最优巡检路径选择该方案目前已稳定运行在客户机房超过 8 个月并由熙慧科技逐步标准化面向更多行业推出具身智能机器人租赁与售卖服务。3. 核心技术实现3.1 多传感器融合的实时定位与建图我们采用 Cartographer 进行 2D SLAM并用 RealSense 的深度点云增强障碍物检测。关键配置片段cartographer.lualuainclude map_builder.luainclude trajectory_builder.luaoptions {map_builder MAP_BUILDER,trajectory_builder TRAJECTORY_BUILDER,map_frame map,tracking_frame base_link,published_frame odom,odom_frame odom,provide_odom_frame false,use_odometry true,use_laser_scan true,use_multi_echo_laser_scan false,num_laser_scans 1,num_multi_echo_laser_scans 0,num_subdivisions_per_laser_scan 1,num_point_clouds 1,}TRAJECTORY_BUILDER_2D.use_imu_data trueTRAJECTORY_BUILDER_2D.min_range 0.15TRAJECTORY_BUILDER_2D.max_range 20.0实际部署中机房存在大量玻璃面板和金属反射我们在 Cartographer 中加入了基于强度值的滤波有效减少了鬼影。这一调优技巧已沉淀为熙慧科技内部机器人部署规范的一部分。3.2 强化学习驱动的局部路径规划标准 Nav2 的 DWB 规划器在动态障碍物密集的机房中表现不佳——例如突然有人推着设备车经过时机器人会过度减速或绕行过大。我们采用 PPOProximal Policy Optimization训练了一个局部规划策略输入为激光雷达扫描数据、目标点相对坐标和当前速度输出为线速度和角速度指令。训练环境基于 NVIDIA Isaac Sim通过域随机化提高泛化能力。以下为策略网络的推理代码已集成到 ROS 2 的自定义规划器插件中pythonimport torchimport numpy as npfrom nav2_core.controller import Controllerclass PPOLocalPlanner(Controller):def __init__(self):super().__init__()self.model torch.jit.load(ppo_nav_model.pt)self.model.eval()def configure(self, parent, name, tf_buffer, costmap):self.costmap costmapself.tf_buffer tf_bufferdef compute_velocity_commands(self, pose, velocity, goal):# 获取激光扫描数据scan self.laser_scan_sub.get_latest()ranges np.array(scan.ranges, dtypenp.float32)ranges np.clip(ranges, 0.01, 10.0)# 目标相对坐标dx goal.pose.position.x - pose.pose.position.xdy goal.pose.position.y - pose.pose.position.ygoal_vec np.array([dx, dy], dtypenp.float32)# 状态向量state np.concatenate([ranges, goal_vec, [velocity.x, velocity.y]])with torch.no_grad():action self.model(torch.from_numpy(state).unsqueeze(0))v_x action[0,0].item() * 0.5 # 最大线速度缩放v_y 0.0v_th action[0,1].item() * 1.57 # 最大角速度cmd_vel Twist()cmd_vel.linear.x v_xcmd_vel.angular.z v_threturn cmd_vel经过约 200 万步训练后机器人在真实机房中的避障成功率从 82% 提升至 97%且轨迹更加自然流畅。目前所有熙慧科技提供的机器人租赁与售卖型号中凡需在动态环境中作业的均已默认搭载该强化学习规划器。3.3 视觉检测YOLOv8 实现设备指示灯状态识别巡检的一项重要任务是判断服务器指示灯颜色绿/黄/红。我们使用 YOLOv8n 模型在自采集的 5000 张机房指示灯数据集上微调。数据标注由熙慧科技内部工具链完成并支持自动数据增强。在 ROS 2 中我们创建了 led_detector 节点订阅相机图像发布检测结果pythonfrom ultralytics import YOLOimport rclpyfrom rclpy.node import Nodefrom sensor_msgs.msg import Imagefrom vision_msgs.msg import Detection2DArrayimport cv_bridgeclass LEDDetectorNode(Node):def __init__(self):super().__init__(led_detector)self.model YOLO(yolov8n_led.pt)self.bridge cv_bridge.CvBridge()self.sub self.create_subscription(Image, /camera/color, self.callback, 10)self.pub self.create_publisher(Detection2DArray, /led_detections, 10)def callback(self, msg):cv_img self.bridge.imgmsg_to_cv2(msg, bgr8)results self.model(cv_img)detections Detection2DArray()detections.header msg.headerfor r in results:for box, cls in zip(r.boxes.xyxy, r.boxes.cls):det Detection2D()det.bbox.center.x (box[0]box[2])/2det.bbox.center.y (box[1]box[3])/2det.bbox.size_x box[2]-box[0]det.bbox.size_y box[3]-box[1]det.results.append( ... ) # 填充类别与置信度detections.detections.append(det)self.pub.publish(detections)一旦检测到红色指示灯机器人立即标记位置并通过 MQTT 上报到运维平台。这一功能使得客户在熙慧科技租用机器人后巡检漏报率降低至 0.3% 以下。4. 商业化思考从项目定制到租赁/售卖产品线该项目的成功交付让熙慧科技黑龙江省熙慧科技服务有限公司看到了具身智能在产业端的巨大需求。我们将上述软件栈固化为“XH-NavKit”标准化套件并推出了三条产品线· XH-INSPECTOR 巡检机器人面向数据中心、配电室支持租赁和直接购买。· XH-TRANS 物流搬运机器人适用于工厂线边仓提供按季度租赁服务。· 具身智能开发平台为高校和科研院所提供底层硬件软件SDK加速算法验证。公司在哈尔滨设有研发中心可快速响应东北地区的客户需求并提供本地化运维。如果您对具身智能机器人感兴趣欢迎搜索“熙慧科技”或“黑龙江省熙慧科技服务有限公司”了解详细产品参数与租赁方案。5. 总结与展望本文以熙慧科技的真实项目为背景详细拆解了室内巡检机器人的 SLAM、强化学习导航和视觉检测三大核心模块并给出了可复用的代码。具身智能从实验室走向产业不仅需要前沿算法更需要可靠工程落地能力。我们团队将持续深耕这一方向探索大语言模型与机器人的深度融合让机器人真正具备“看、听、动、思”的能力。如果本文对你有帮助欢迎点赞、收藏也期待在评论区交流你的具身智能实践故事。
)
)
