最近和几个做机器人感知的朋友交流，大家普遍提到一个现象：扫地机器人能在客厅里跑得不错，但一旦进入复杂场景——比如让它“去卧室把床头柜上的充电线拿过来”——成功率就断崖式下降。

问题出在哪？拆开来看，核心瓶颈集中在两个层面：

一是“感知”不够鲁棒。 家庭环境不同于结构化工厂，动态障碍物（人、宠物、玩具）、光照突变（窗帘开合、夜晚开灯）、狭小通道（桌椅腿之间）都是常态。激光雷达在玻璃、镜面场景下会失效，视觉SLAM在纹理稀疏或光照剧烈变化时容易漂移。单一传感器方案很难覆盖所有corner case。

二是“记忆”几乎空白。 大多数家庭机器人没有场景记忆能力——不知道“卧室”是哪间房，不记得“充电线”长什么样，更谈不上理解用户的习惯（比如钥匙通常放在玄关还是床头柜）。没有语义地图和长期记忆，机器人只能做单次问答式的导航，无法完成多步推理和主动服务。

这两个瓶颈，本质上是感知-建图-定位-规划这条链路在家庭场景下的工程化难题。

最近了解到一家刚起步的创业公司，方向是做家庭机器人的“全时空多模态记忆系统”。看了他们的技术Demo，有几个点让我印象比较深：

多传感器融合方面，他们做了激光雷达、RGB-D相机、IMU的紧耦合方案，在动态障碍物和光照突变场景下的定位精度和鲁棒性比主流开源方案有明显提升。建图层面，不只是输出几何地图，而是构建带语义标签的三维地图——能区分“沙发”“餐桌”“卧室门”这些语义实体，为后续的语义导航（VLN）打下基础。路径规划上，针对家庭特有的窄通道和动态障碍物做了专门的轨迹优化，通行效率和安全性都有改善。

团队背景挺硬，核心成员有头部大厂的大规模系统工程经验和量产交付经历，也懂C端产品的个性化体验。公司刚起步但技术路线走得比较稳，不追风口，先夯实底层能力。

技术方向：主导家庭机器人多传感器融合感知方案的设计与迭代，负责SLAM建图与高精度定位算法、三维语义地图构建，以及全局路径规划、局部动态避障、轨迹优化等核心算法的研发与量产落地。需要针对家庭场景的动态障碍物、狭小通道、光照突变等问题做针对性优化。

期望：本科以上学历，计算机、机器人、自动化等相关专业，5年以上机器人或自动驾驶领域的感知导航算法研发经验。精通激光/视觉SLAM、多传感器融合算法，熟悉路径规划、避障及轨迹优化核心算法。数学基础扎实，C++/Python熟练，熟悉ROS/ROS2和Linux环境，有端侧部署优化实战经验。

加分项：有头部机器人或自动驾驶公司的算法量产经验；具备VLM与感知导航结合、端到端感知导航、VLN、强化学习或低成本传感器方案研发经验；发表过顶会论文或持有相关技术专利。

职级与薪酬：定位是能独立带技术方向的专家或团队负责人角色，直接汇报给技术合伙人。年薪区间30-100w，14薪，早期团队有期权空间。六险一金、弹性工时这些常规福利都有。

一点个人看法：具身智能现在的阶段，很像2017年左右的自动驾驶——方向明确、资本关注度高，但真正能把产品做到量产、让用户愿意买单的团队其实很少。家庭场景的感知导航，难不在算法本身，而在工程化——如何把论文里的方法变成能在低成本嵌入式平台上稳定运行的量产方案，如何覆盖家庭环境的无数个corner case。

如果你正好在这个方向深耕多年，有从0到1的量产经验，也对家庭机器人这个场景感兴趣，敲门哈。