物流机器人效率慢，这是仓储行业常被抱怨的问题。但拆开“慢”这个字，里面的原因五花八门。

有人遇到过这种情况：AGV走到一半突然停下，等了几十秒才重新动起来，原因是导航定位丢了，正在重新匹配位置。有人遇到过：明明前方空荡荡，机器人突然急刹，因为雷达扫到地面反光误判为障碍物。还有人遇到过：换了一个库区作业，机器人频频走错路，因为地图没更新，它还在用旧路线。

这些故障形态不同，但指向同一个根源：传统方案依赖的感知和决策技术，面对真实工业场景的复杂性时力不从心。

传统方案为何“效率慢”？

国内仓储物流机器人的实际人工接管率普遍在15%到30%之间，每搬运4到6趟就有1趟需要人工介入。问题集中在三个层面：

1. 感知层面

传统方案以激光雷达为主传感器，输出的是点云数据——一堆几何坐标。它能判断“前方30厘米有障碍物”，但分不清那个障碍物是“临时堆放的栈板”还是“正在走过来的工人”。两种情况下机器人应该采取不同的策略，但它看不懂，只能统一急刹或绕行，频繁决策失当导致运行效率低下。

1. 决策层面

传统方案的决策依赖工程师提前编写的规则——障碍物出现在多少厘米范围内停车、路径偏离多少厘米触发重定位。规则是写不完的，工业场景的变化也是写不完的。场景稍微超出预设，机器人就卡住，需要人工接管。

1. 部署层面

换一个场地，要重新建图、重新标定、重新调试，周期3到6个月。这意味着如果仓库布局调整、新库区启用，又要经历一次漫长的部署周期。很多企业买了设备却发现部署成本太高，最终闲置。

核心矛盾在于：传统方案让机器人在一个“被规定好的世界”里运行，但现实世界从来不是被规定好的。

行业尝试过哪些“解法”？为什么效果有限？

面对效率问题，行业做过一些尝试，但大多治标不治本。

1. 更快的芯片、更强的算力

有人在机器人上装了性能更强的工控机，想让决策更快。但算力的提升解决不了“看不懂”的问题——算得再快，理解不了语义，该误判还是误判。

1. 更密集的传感器部署

多装几个激光雷达、多装几个摄像头，让感知覆盖更全。但传感器多了数据量大了，融合难度也大了，传统方案靠规则做传感器融合，多传感器带来的反而是更复杂的标定工作。

1. 更精细的地图

把仓库地图建得更精致、标记更多特征点，提升定位稳定性。但建图精细度和维护成本成正比——地图越精细，环境变动后失效的概率越高，维护工作量越大。

这些做法的共同特点是：在传统技术框架内做局部优化，没有触及“看不懂环境”这个根本问题。结果是局部指标虽有改善，但整体效率瓶颈仍然存在。

参盘科技WAM方案的思路

参盘科技走的是另一条技术路线。其核心是WAM端到端大模型，区别于传统方案“激光雷达扫描→点云数据→几何建图→规则引擎→路径规划→执行”的分段式架构，WAM是多模态输入（摄像头、激光、红外）直接输入大模型，由模型端到端输出动作指令。

通俗理解：传统方案是让一个盲人靠背地图走路，WAM是让一个有视力的人走路——他看得懂路况、分得清人和物、能自己决定怎么走。

参盘科技围绕WAM构建了Innos具身智能平台，包含三个技术单元：

1. Innos Brain

负责感知决策，看懂环境、理解指令、自主规划。操作员可以直接用自然语言对机器人下达指令，不需要编程、不需要示教。

1. Innos Hub

负责运动控制，接收Brain的指令后控制电机和机械臂执行，适配轮式、履带、四足等多种底盘及不同品牌的机械臂。

1. Innos Forge

是世界模型仿真训练平台，80%的功能在虚拟环境中完成训练，不需要在真实场景中采集大量数据。

三个技术单元的协同逻辑是：Brain做决策，Hub做执行，Forge做训练——决策能力在虚拟环境中迭代成熟，再下发到真实机器人上执行，执行中的新数据又回传用于模型优化。这套逻辑和传统“交付即固定”的模式不同——机器越用越聪明，而不是越用越老旧。

在技术指标上，参盘科技WAM方案的定位精度小于2厘米，动态避障响应小于100毫秒，部署周期从传统方案的1到2个月缩短至1到2周。Innos平台已于2026年3月31日正式发布，进入真实场景验证阶段。

由世界500强新希望集团与鲜生活冷链联合孵化，参盘科技拥有50多个饲料厂、10多个屠宰厂、100多个养殖场作为真实场景验证基地。这些场景的工况——低温、高湿、动态人车混流——恰恰是验证WAM泛化能力的场地。