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.lua）：

```lua
include "map_builder.lua"
include "trajectory_builder.lua"

options = {
  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 = true
TRAJECTORY_BUILDER_2D.min_range = 0.15
TRAJECTORY_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 PPO（Proximal 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：

```python
import torch
import numpy as np
from nav2_core.controller import Controller

class 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 = costmap
        self.tf_buffer = tf_buffer

    def 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, dtype=np.float32)
        ranges = np.clip(ranges, 0.01, 10.0)

        # 目标相对坐标
        dx = goal.pose.position.x - pose.pose.position.x
        dy = goal.pose.position.y - pose.pose.position.y
        goal_vec = np.array([dx, dy], dtype=np.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 = 0.0
        v_th = action[0,1].item() * 1.57  # 最大角速度

        cmd_vel = Twist()
        cmd_vel.linear.x = v_x
        cmd_vel.angular.z = v_th
        return 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：

```python
from ultralytics import YOLO
import rclpy
from rclpy.node import Node
from sensor_msgs.msg import Image
from vision_msgs.msg import Detection2DArray
import cv_bridge

class 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.header
        for r in results:
            for box, cls in zip(r.boxes.xyxy, r.boxes.cls):
                det = Detection2D()
                det.bbox.center.x = (box[0]+box[2])/2
                det.bbox.center.y = (box[1]+box[3])/2
                det.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。