扫地机器人“眼睛”进化史

假如扫地机器人有眼耳五官，又如果我们要为扫地机器人的五官各自著书立传，“眼睛”的进化史绝对是其中最精彩的一部。

十年前，扫地机器人开始逐渐进入中国家庭，第一批进入家庭中的扫地机器人像一个刚出生的孩子，靠随机碰撞学习如何“走路”；五年前，激光雷达、路径规划算法的引入，全局规划取代随机碰撞，让扫地机器人市场开始爆发。

近年来，随着主流导航技术从LDS激光雷达发展到vSLAM视觉导航，扫地机器人已经从“听声辨位”进化到“目之所及”，正当大家还在想未来扫地机器人会有一双怎样的“眼睛”时，2020年，各大厂商新一轮扫地机器人的产品发布，3D传感器、dToF技术的应用，让这双“眼睛”继续进化。

这让人类更加好奇，扫地机器人眼中看到的会是怎样一个世界？

苹果Face ID“同款”方案，扫地机器人拿来打扫边边角角

近年来，机器视觉技术在国内俘获了一大批粉丝，由于机器视觉技术能够快速适应环境变化，国内不少扫地机器人厂商也开始在产品中引入机器视觉技术。2019年，小米发布的米家扫地机器人1S中加入了一颗摄像头，配备了vSLAM视觉导航算法；同年，科沃斯也转向机器视觉，有所不同的是，科沃斯并没有用现在市面上较为成熟的vSLAM视觉导航算法，而是自研了AIVI视觉识别技术。

作为视觉导航技术的长期拥趸者，iRobot早在2015年发布的Roomba 9系扫地机器人中已经开始应用vSLAM方案，在今年3月8日国内市场发售的新品Roomba s9+中，又别开生面地再次加入了一个3D传感器。

雷锋网向iRobot官方了解到， 与用于实现定位、导航功能的vSLAM方案中配备的摄像头不同，这个3D传感器是为了配合PerfectEdge技术进行更细致的边角清洁。

PerfectEdge技术是iRobot针对边角清洁今年提出的一项新技术，为了改进边角清洁能力，iRobot的PerfectEdge技术针对扫地机器人做了三项改进：

• 第一，在扫地机器人外形设计上做了较大的调整——摒弃此前圆形、方形外形，采用了全新的“D”形圆角设计；与此同时，扫地机器人底部的宽幅胶刷（也是这款机器人的主刷）也被加长了30%，五爪边刷也有所调整；

• 第二，针对内外墙角，通过算法设置了特殊的工作模式（自动切换），据官方资料显示，“s9+在清洁内角时机器人会先停留一秒，使得边刷充分清扫到角落再转弯；在清洁外角时，机器人会在转弯后先后退再向前行进，以免遗漏”；

• 第三，就是这个3D传感器的加入。

据iRobot Roomba s9+产品负责人向雷锋网透露， 这个3D传感器其实是一种红外结构光传感器。

据雷锋网了解，3D结构光传感器基本工作原理为：

通过近红外激光器，将具有一定结构特征的光线（一般有离散光斑、条形光，编码结构光三类）投射到被拍摄物体上，再由专门的红外摄像头进行采集。这种具备一定结构的光线，会因被摄物体的不同深度区域，而采集不同的图像相位信息，然后通过运算单元将这种结构的变化换算成深度信息，以此来获得三维结构。

其实3D结构光近两年在智能手机上应用已经很普遍，苹果早在2017年9月发布iPhone X时就已经开始在前置摄像头中用3D结构光方案做3D人脸识别，也就是苹果的Face ID。这一方案被苹果随后的历代产品沿用至今，与此同时，国内华米OV也先后将3D结构光方案应用到了自家智能手机摄像头方案中。

那么，3D结构光传感器在扫地机器人上又是如何应用和工作的呢？

iRobot创始人Colin Angle在接受包括雷锋网在内的几家媒体采访时解释称：

3D传感器位于整台机器人正前方的中心位置，它会对周围的环境投射红外线图像，并通过视觉传感器（红外摄像头）观察这个红外线图像的成像结果，从而就前方环境构建一个非常细致的3D空间图像，更好地理解前方墙壁的几何结构。让人工智能能够更好地决策采取怎样的运动策略让机器人紧贴墙壁进行清扫。

扫地机器人的核心功能从来都是清洁能力，如何提升扫地机器人的清洁能力，让扫地机器人能够适应家庭各种场景、清洁各类地板和污渍让各家厂商煞费苦心，iRobot此次为了加强扫地机器人边角清洁能力，特意做了外形的调整，也特意为扫地机器人加入了一双看不见的眼镜——这个在智能手机领域应用相对较为成熟的3D结构光传感器，并研发了配套的AI算法。

3D结构光传感器方案经过这两年在智能手机上的应用和迭代，已经相对成熟，2019年前后其实已经推广应用到其他领域，例如智能门锁，大华乐橙、优点科技等均在2019年有推出3D结构光人脸识别门锁。而应用到扫地机器人上时，其实还需要考虑的是如何解决3D结构光方案容易受到强光环境影响。

雷锋网向业内人士了解到，3D结构光传感器虽然可以帮助扫地机器人做辅助定位和导航避障，但由于这类传感器目前成本较高，仅有少数扫地机器人在使用，传感器在设计和算法方面也有待针对扫地机器人的工作场景优化，因而目前尚未在扫地机器人产品中得到广泛应用。

显然，iRobot此次发布的Roomba s9+成了应用3D结构光传感器的典型机型，至于在实际应用中清洁能力是否有明显提升，雷锋网尚且没有进行实际体验，这里暂不发表意见。不过官方在做产品推广中，此次加入的3D结构光传感器，确实也成了iRobot新机型的核心卖点。

在今年发布的扫地机器人中，将移动终端应用到的视觉方案引入到扫地机器人中的不只iRobot一家，科沃斯同样也用到了类似方案，不过科沃斯用到的是刚刚随着苹果iPad Pro走火的dToF。

被iPad Pro带火的dToF，在扫地机器人上怎么用？

3月18日，苹果iPad Pro产品线时隔两年再次更新，这次更新带火了一个视觉技术方案——dToF。

dToF，中文名字是直接飞行时间（测距法），传感器硬件结构主要包括发射端和接收端。工作原理可以简单理解为：dToF传感器将调制信号发给光源驱动芯片，控制激光器发出高频调制的近红外光， 在遇到物体漫反射后，接收端通过发射光与接收光的时间差来计算深度信息。

之所以这一技术能够被苹果选中是因为dToF方案原理简单、系统稳定且容易集成，但是要实现精准测距的话，技术难度会很高，需要在芯片设计、系统设计、制造工艺等方面做得都很好。

作为视觉空间定位技术专家，同时又是主要提供单目视觉空间定位技术初创公司欢创科技的创始人，周琨和他的团队对当下备受关注的dToF方案也进行了深入研究，周琨告诉雷锋网 (公众号：雷锋网) ：

目前dToF在iPad Pro上的应用只能说是一个初级阶段。首先是分辨率不高，从目前了解的情况来看，只有20多*20多像素，这样的分辨率，比起之前在iPhone X里前置摄像头中引入的结构光深度相机（投射的有30000多点阵）来讲，分辨率差了很多，可以做简单的平面检测、平面物体的测距，但要做复杂模型的三维重建，是肯定不够的。

苹果将它集成到iPad Pro中，目的也是为了进行更好的测距、辅助构建AR应用场景，至于具体是如何实现的，官方并没有给出比较详尽的介绍。

对此，周琨认为：

iPad Pro这一代产品引入dToF方案，可能主要是为苹果的AR应用服务，也就是说，只要能检测出平面（比如地面或者桌面）来，然后就可以在平面上叠加虚拟物体了。至于更复杂的3D扫描和建模，这一代产品中的dToF方案应该是做不了的。

相对于苹果应用dToF技术辅助构建AR场景让市场对AR发展前景各种猜测，科沃斯将dToF技术引入到扫地机器人，用于提升扫地机器人的定位导航能力就显得更加实在、更接地气。

在苹果iPad Pro发布会仅10天后，同样将dToF技术带到消费领域的还有科沃斯，科沃斯在其新发布的T8 AIVI扫地机器人上搭载的激光雷达应用的正是dToF技术，以此来提升死角清洁和越障能力。

与iRobot类似的是，此次针对边角清洁能力提升加入的不仅仅是一个dToF方案，而是一个被官方称为TrueMapping的定位导航技术。据官方最新产品资料显示，TrueMapping机器人导航技术搭载了科沃斯独立开发的高精度激光雷达，配合dToF技术，地宝的建图效率、建图精度、扫描范围和使用寿命都有所提升。其中，扫描精度提升了4倍（毫米级别），扫描距离也提升了2倍（10米扫描半径），有效减少导航盲区，提升清洁覆盖率，通过算法优化提升死角清洁能力和越障能力。

dToF技术目前在扫地机器人的定位导航方案中具体是如何应用的？

周琨向雷锋网介绍称：

dToF在家用清洁机器人上的应用，目前来看是作为一个单点测距功能，通过扫描房间地图，为SLAM算法提供数据输入的，功能上相当于一个单线激光雷达。

目前在家用清洁机器人领域用的激光雷达，主要还是基于几何关系测距的方案，例如传统的三角法或者结构光技术测距，相比前两者而言，dToF技术的优势在于测距频率可以做到更高（比如做到7000Hz以上），远距离精度（比如6m-10m）也会更高。但由于其对电气性能的要求颇高，所以其成本也要高不少。

从另外一方面来讲，家用清洁机器人的应用场景对于数据要求不会特别高，比如，它的SLAM算法对于近距离精度（4m，特别是2m以内的数据）更加敏感，测距频率要求也没那么高（目前主流是2000Hz，也有结构光或者三角法方案开始做到3000-4000Hz）。

不过，周琨也特别指出，“扫地机器人是对于成本和性价比较为敏感的消费类电子产品，dToF方案目前更适用于对远距离精度和帧率要求比较高，对成本容忍度也比较高的场景。”

就此次科沃斯发布的新品T8定位导航方案而言，除去加入了dToF方案外，也升级了自家的AIVI技术，据科沃斯官方表示，通过升级后的AIVI技术，T8已经可以识别鞋子、袜子、抹布、充电座、数据线、小地垫、U型椅七类常见障碍物。

可见，除去LDS雷达+SLAM算法外，在定位导航方案中，科沃斯的扫地机器人现在也有了两只更精准的眼睛——dToF（激光雷达）+AIVI（机器视觉）。

其实，不只是3D结构光、dToF这些新技术的引入在让扫地机器人进化，传统定位导航方案仍有很大的提升空间。

传统SLAM导航方案的升级再造，还能带来多大的提升空间？

同样是在3月，另一款扫地机器人新品正是针对传统定位导航方案做的升级优化——石头扫地机器人T7。

石头科技在T7上做的升级优化，其实更像是为扫地机器人上的各类数据及感知、建图、导航算法配了个大管家，这个管家用一个形象又时髦的词也可以理解为是扫地机器人的“中台”，这个“中台”也有自己的名字，叫Mason系统。

官方介绍称，Mason系统的“实时数据管理算法”负责管理分发传感器采集的环境数据，交由“感知与建图算法”进行数据融合与分析，然后“导航与运动算法”根据分析结果进行动态导航及规划。

雷锋网向石头科技官方了解到，石头科技早在2014年7月成立之初就已经开始着手搭建这一系统，整个系统分为硬件抽象层、感知层、控制层、决策层和用户交互层5层架构，历时26个月完成Mason 1.0系统，是米家扫地机器人的软件算法和系统核心。此后，在Mason1.0基础上，该系统经过89次迭代，才有了现在应用于T7系列产品中的Mason 7.0。

随着Mason 7.0算法系统的加入，据悉，石头科技在定位导航技术上也增加了一些新的能力：

引入多楼层模式。 扫地机器人最多可以保存4张地图，在更换楼层后，扫地机器人可以自动识别并切换地图。

引入动态匹配算法。 扫地机器人如果在静态匹配时发现无法区分自己到底在哪个楼层，还会移动起来并实时进行多地图重定位，提高重定位准确性。这也是石头科技首次在SLAM定位算法中引入动态匹配算法。

增加地图防抖技术。 在扫地机器人运行过程中可以实现自动实时纠错，即扫地机器人一旦发现当前位置所收集的数据和地图上所定位的位置不一致时，会进行定位纠错，将机器人重新定位回地图上正确的位置，从而保证绘图信息的准确性。

此外，石头科技向雷锋网表示，“在Mason 7.0中，我们重构了整个SLAM算法，新算法鲁棒性更好，地图稳定性更高，重定位成功率更高。”

LDS激光雷达+SLAM方案算是扫地机器人现在最为成熟的定位导航方案了，虽然该成本高于视觉方案，但由于测距精准、且不易受到光照条件影响，一直是扫地机器人定位导航方案中的主流方案。

近年来，对于扫地机器人关键的定位导航技术研发，各大厂商基本上都是两手准备。一方面，针对LDS激光雷达+SLAM方案不断进行迭代优化；另一方面，随着诸如3D结构光、dToF在内的更多定位导航技术的加入，扫地机机器人的定位导航方案越来越复杂，现在的主流扫地机器人已远不只有一只眼睛。

扫地机器人“眼睛”的进化，看不见的浴霸

距第一台扫地机器人发布已十年有余，现在的扫地机器人也早已不再是最初走入家中那个碰碰撞撞的孩子。

近年来，为了构建强大的摄影功能，智能手机加入的摄像头方案越来越多，诸如ToF、3D结构光等3D视觉方案在智能手机上已经相对普及，与此同时，智能手机上的摄像头也越来越多，从双摄、三摄、到现在的四摄、五摄，智能手机的摄像头模组也被网友亲切称为“浴霸”。

扫地机器人定位导航方案其实与智能手机摄像头方案的发展历路相似。

从最初的激光雷达SLAM方案，到vSLAM方案，再到今年的3D结构光、dToF方案的引入，扫地机器人在定位导航方案中已经融入了越来越多的传感器技术。

以科沃斯最新发布的T8为例，已经融入了LDS雷达定位、SLAM导航算法、AIVI视觉方案、dToF方案几类技术方案，外加诸多传感器的融合应用，已经为扫地机器人的定位导航系统搭建了一个看不见的“浴霸”。

扫地机器人厂商显然已经足够努力，但是这样的努力或许还不够。

从2019年国内扫地机器人市场发展来看，增速明显放缓，据奥维云网统计数据显示，2019年1-11月，线上零售量同比增长0.6%，相对于2018年1-11月的31.7%的增速严重放缓。

对此，奥维云网认为有两方面原因：一方面，2018年激光导航产品全面爆发，带动同期销量野蛮式增长；另一方面，前期低配产品的负面口碑引发潜在顾客的购买顾虑。

据雷锋网此前观察，其实根本原因还是在于用户对当下扫地机器人期望太高（诸如对细节角落清扫、对大颗粒物体清扫、静音运行的要求），扫地机器人实际上还远未达到“一机扫所有”的能力，尤其在清洁能力上，还有待进一步提升。

年初各大厂商推出的新品针对定位导航技术的一波升级，或将成为今年受到疫情冲击的扫地机器人市场重启的关键。

关注AIoT、机器人、智能硬件，新闻爆料或寻求报道，欢迎添加作者微信交流：18210039208。

相关文章：

扫地机器人会否抛弃激光雷达这位原配？

专访iRobot创始人Colin Angle：自动集尘系统会成为扫地机器人的标配吗？

​科沃斯转向机器视觉

。