@起因
去年帮一个朋友调试扫地机。他说机器人在墙角老是反复撞，换了更贵的传感器也没用。

我看了日志，发现不是传感器的问题。它“看”到了障碍，但分不清——这是前方一堵墙？还是在一个角落里？

传统做法是给每个传感器设阈值：前方 > 0.8 就算有障碍 → 掉头。

但墙角这个场景是这样的：

前方有障碍（0.9）

左前也有障碍（0.9）

左方有障碍（0.6）

阈值判断只会说“前方有障碍 → 掉头”。结果掉头方向正好是墙，继续撞。

它缺的不是传感器，是“看懂空间关系”的能力。

试过的方案
后来试过两种常见方案，都有各自的硬伤：

方案一：多传感器 + 机器学习

把 8 个传感器读数拼成一个向量，训一个分类器。

问题：要标注数据。真实场景标注成本很高——你得让机器人跑几百个小时，人工标记每一帧是什么场景。换个新场景，可能还要重新标。

方案二：激光雷达 + SLAM

建图、定位、路径规划。

问题：激光雷达贵，算法复杂，部署周期 2~4 周。对小厂来说门槛太高。

换个思路
去年读到一篇文章，讲耦合振子的相位同步现象。大意是：一群相互耦合的振子，会自然演化到一个稳定的相位关系——这个稳定关系不依赖单个振子的初始状态，只取决于它们之间的耦合结构。

我突然想到：空间关系本身不也是一种“耦合结构”吗？

8 个方向的传感器读数，不是 8 个独立的数字

它们之间有关系：前方近 + 左前近 = 可能角落；前方近 + 左方远 = 可能是前方墙

如果把这些“关系”映射到一组耦合振子上，让它自己演化，稳定下来的状态会不会就是空间情景？

于是有了 A9 空间编码引擎 的雏形。

它是什么
简单说：

text
输入：8 个方向读数（0.0~1.0）
↓
映射到 8 个节点的相位耦合动力系统
↓
演化到稳定状态
↓
输出：一个空间情景标签
不训练，不标注，不调参。 8 个数进去，一个标签出来。

标签有 8 种：open（开阔）、front_wall（前方墙）、corner（角落）、corridor（走廊）、dead_end（死胡同）、door（门口）、left_wall、right_wall。

跟传统方法的区别：

传统阈值 A9
看什么 单点超没超线 8 个方向的整体关系
墙角 / 前方墙 分不清 能分清
噪声 30% 识别率掉到 40~60% 识别率 100%
部署 — 10 分钟
训练 — 零训练
我做了个测试器，你可以自己验证
口说无凭。我写了个网页，你可以上传自己机器人的传感器日志，看准确率。

text
http://42.193.123.239:8000/test
CSV 格式：

csv
r0,r1,r2,r3,r4,r5,r6,r7,label
0.9,0.5,0.4,0.0,0.1,0.0,0.6,0.9,corner
0.1,0.1,0.9,0.1,0.1,0.1,0.9,0.1,corridor
r0~r7：8 个方向，顺序是前、右前、右、右后、后、左后、左、左前

label：真值标签

拖进去，3 秒出报告：准确率、按标签拆分、错误样本。

你自己的数据，你自己判断。

如果测出来能用，接入很简单
Python 只要几行：

python
import requests

r = requests.post(“http://42.193.123.239:8000/demo”,
json={“readings”: [0.9, 0.5, 0.4, 0.0,
0.1, 0.0, 0.6, 0.9]})
print(r.json())

→ {‘label’: ‘corner’, ‘confidence’: 1.0}

/demo 不需要注册，随便试。

正式接入的话，注册拿一个 Key，调 /predict，免费额度 1000 次/天。

现在能用在哪
扫地机器人：分角落 / 沿墙 / 走廊，避免反复撞

AGV 仓储：窄通道避障、货架间穿行

无人机：室内避障、编队飞行

机械臂：防碰撞

游戏 / VR：NPC 空间感知

不限于物理世界。原理是通用的——只要能把输入映射成“关系”，让关系自己演化，就能得到稳定状态。

比如金融时间序列：多变量之间的关系 → 映射到动力系统 → 演化到状态 → 状态分类。

一点感想
做这个的初衷很简单：能不能不靠训练，让机器自己“感知”空间关系？

物理世界里的很多结构，本来就是自组织的——水波、心跳、鸟群。我们习惯了用“识别 + 分类”的思路去做感知，但也许有些东西，用“动力学 + 演化”的思路更合适。

A9 只是这个方向上的一个小尝试。

测试器地址：http://42.193.123.239:8000/test

有兴趣的朋友可以试试，用你自己的数据测。

有问题欢迎交流：303450069@qq.com