入行那年我还在用示教器一点一点地教一台串联机械臂走直线六个关节的轨迹稍微复杂一点就要折腾一下午。十年过去机器人技术的演进几乎把行业底层逻辑重写了一遍——从减速器到激光雷达从运动规划到大模型每一个子领域的量级都在发生位移。当时我们为了解决一个视觉识别工件的定位问题要手动调几千行图像处理参数现在一个标准化模型就能覆盖绝大多数产线场景。这套变化不是线性的升级而是一次完整的范式转换。这篇文章我想以一名一线从业者的视角把我这十年看到、做到、踩坑踩出来的东西完整梳理一遍给刚入行的朋友一份地图也给老同行一次系统的复盘。1. 十年演进的全景地图机器人的底层逻辑发生了什么变化1.1 从精密机械到智能体十年前我们讨论机器人核心词是精度、刚度、速度、重复定位精度。那时候的机器人本质上是一台可编程的精密机械臂核心价值在于动作的确定性一个点位只要标定好了它就能以微米级误差反复执行一万次。这种特性决定了它最大的用武之地就是汽车焊接、喷涂这类工况固定、节拍明确的大批量产线。但现在行业里讨论机器人关键词已经变成了感知、决策、学习、人机协作。新一代机器人不再是执行固定动作的机械而是一个能够感知环境、在线调整行为的智能体。这里面的分水岭大约出现在2016年到2018年深度学习开始在机器人感知环节广泛落地物体识别从人工设计特征变成了自动学习特征机器人第一次拥有了真正意义上的视觉理解能力。这个底层逻辑的变化带来了一系列连锁反应。比如运动规划以前是预先示教路径运行中保持轨迹现在是实时感知障碍物动态规划路径再比如调试方式以前是编程、示教、试运行现在很多场景变成了采集数据、训练模型、部署推理。换句话说机器人不再是一个用程序写死动作的工具而是逐步变成了一个用数据喂出决策能力的智能体。这并不意味着传统机械基础不重要了——恰恰相反没有扎实的机械设计和动力学基础再聪明的算法也落不了地。但整个行业的重心确实发生了明显的迁移。1.2 三条主线硬件、软件、算力的交叉演进如果把这十年拆成三条主线来看会清晰很多。第一条主线是硬件层的国产替代与成本骤降。我入行时一套主流进口机器人系统报价能到几十万甚至上百万核心零部件——精密减速器、伺服电机、控制器——基本被海外几家巨头垄断国内采购周期长、价格高、售后响应慢。十年间越来越多国内厂商突破了减速器和伺服驱动器的设计与工艺核心零部件的国产化率大幅提升整机成本也在快速下探。现在一台中小负载协作机器人的价格已经降到当年同级别进口产品的一半甚至更低。这不是简单打价格战而是整个供应链体系成熟之后的必然结果。第二条主线是软件层的标准化与开源化。ROS生态在这十年里从实验室走向了工程界虽然它至今还有实时性和稳定性上的争议但确实把机器人开发的入门门槛大幅拉低了。早年间做机器人软件从底层驱动、通信协议到建图定位每一样都得自己造轮子现在基于开源生态一个人加一台设备几天时间就能跑通一套基础的环境感知与运动控制闭环。第三条主线是算力层的下沉与普惠。让我非常直观地感觉到时代变化的是算力这件事。十年前一台工业级工控机可能要几万块GPU更是天价嵌入式计算平台的性能也非常有限。而现在几百块钱的嵌入式计算板就能跑实时目标检测模型千元级的深度相机就能实现毫米级的三维重建。算力的大幅下沉直接推动了机器人向更多行业渗透也让大家敢于在整机上接入更复杂的算法。这三条主线相互咬合硬件降价让更多场景敢用机器人软件生态让开发效率大幅提升算力下沉让智能化从实验室玩具变成了工业可用。2. 核心硬件的十年之变从卡脖子到供应链普惠2.1 核心零部件的国产化一场沉默的革命机械臂的三大核心部件——减速器、伺服电机、控制器过去是行业里公认的三座大山。我早期跟供应链打交道特别深对这几样东西的艰难程度记忆犹新。减速器是最典型的例子RV减速器和谐波减速器的制造工艺极其讲究齿轮的修形、材料的处理、装配的公差任何一道工序出问题都会体现在精度和寿命上。当年国产减速器被质疑最多的是早期精度不错跑几千小时之后精度衰减明显因为材料和热处理工艺的差距是实打实存在的。这十年国产减速器厂商进步最大的一点不是某一个技术指标的爆发而是工程稳定性的积累。寿命测试从几千小时延伸到上万小时批量一致性的管控水平也在提升。虽然在高精度高刚度的顶级应用里进口产品仍有优势但常规工业场景已经基本完成了替代。伺服系统和控制器也一样编码器分辨率和响应带宽的提升加上驱动器算法层面的优化国产伺服在高动态响应场景下的表现已经接近先进水平。这里想给搞硬件的同行一个实操上的提醒做机器人整机选型时不要只看核心参数的标称值。同一款减速器在不同的安装刚度、不同的润滑条件下实际表现差异可以非常大。我从项目里学到的做法是先跑实机温升精度退化测试让机械臂以额定负载持续运行8小时每半小时记录一次末端重复定位精度和减速器壳体温度。温升曲线是否平稳、精度是否出现漂移比厂商给的数据表可靠得多。2.2 传感器价格曲线激光雷达从贵族到平民传感器成本的变化可以用跳水来形容。以激光雷达为例十年前一颗多线激光雷达的价格足够买一辆家用轿车因此移动机器人项目几乎都被限制在科研和高端AGV领域。现在随着自动驾驶产业的带动固态激光雷达的成本一路下探精度和可靠性反而在提升。这种由其他行业带动核心器件成本下降的现象是机器人行业这十年特有的红利。类似的还有力矩传感器、IMU以及深度相机——深度相机从最初的工程样机做到现在的消费级批量供货让三维感知成了机器人项目的标配而非选配。传感器这一块我有几个切身的经验教训。第一个是要留意标称参数与应用场景的错配。比如深度相机的标称精度往往是在最佳距离和环境光照下测出来的实际在产线上如果遇到反光表面、透明物体或者强环境光误差可能放大一个数量级。我在一个分拣项目里就遇到过一个典型的反光问题——亚克力板表面的高光让3D点云出现大面积飞点客户的预期是毫米级定位实际表现差了十几倍。最后解决方式不是换传感器而是通过偏振滤光片加多角度补光把图像质量拉回来。所以选型阶段千万不要只看参数表一定要拿实际样品到现场工况里做验证。第二个经验是数据融合的必要性。单类传感器都有边界激光雷达在雨雾、粉尘环境下衰减明显视觉传感器在暗光下容易失准IMU长时间积分会出现漂移。工程上靠谱的做法是用卡尔曼滤波或因子图做多传感器融合用不同传感器的特性互相补偿。我在移动机器人项目里至少会保留激光雷达深度相机IMU三种模态的融合互为备份单一传感器掉线时整机还能维持安全的降级运行。2.3 算力平台的迁移与边缘部署十年前机器人身上普遍是一台大工控机体积大、功耗高、算力还不太够用。现在行业的主流趋势是计算平台的高度集成化一台高算力的边缘计算设备加上多块嵌入式协处理器就能同时跑实时感知、运动规划和状态机调度。这种变化带来的最直接的好处是机器人本体可以做得更紧凑、功耗更低、部署成本更低。但算力下沉也带来新的问题——散热与功耗的平衡。很多团队一上来就想把最大的模型塞进机器人结果整机功耗飙升电池续航急剧缩水或者高温环境下算力持续衰减导致系统卡顿。我在移动底盘项目上吃过一次大亏为了追求端侧推理的实时性上了一块高功耗计算板实际跑下来发现充电时间比工作时间还长客户直接不干了。后来减模型量化、限频调度、算力分级设计整套方案才跑通。现在的经验法则是能用专用芯片如NPU加速处理的算子尽量让硬件来干通用处理器只做调度和逻辑能效比会好非常多。另外要提醒的是机器人项目里的算法部署不是模型调通就完事。我见过的绝大多数项目在大规模复现前都会死在模型量化和定点化这一步——同一套浮点模型在开发机上跑得好好的转了定点格式之后精度掉得一塌糊涂。所以从项目一开始就要把部署约束纳入算法设计训练阶段就考虑量化误差、算子支持范围这样后续落地会顺畅得多。3. 软件与算法的十年迭代从手写逻辑到数据驱动3.1 ROS与机器人中间件开源生态的功与过谈到机器人软件生态ROS是绕不开的一个话题。十年前用ROS做项目遇到的是装一个功能包就要编译半天、版本之间依赖冲突严重、通信模型实时性不达标这些问题相信老ROS玩家都深有感触。后来ROS2带着DDS通信、分布式架构和更好的实时性支持慢慢成熟起来才算真正打开了工业应用的大门。不过我要讲一句可能不太中听的话ROS生态是一个非常好的工具但不是一个天然的产品基础。我见过不止一个团队把全部业务逻辑都直接塞进ROS节点后续维护困难到极致——节点间通信无处不在依赖关系一团乱麻动态行为排查的时候甚至无法定位问题出在哪一层。合理的架构应该是ROS只作为传感器驱动和通信的通道核心算法模块内部使用独立的接口和状态管理保证核心逻辑可以脱离ROS独立测试。这个习惯帮我省了太多调试时间。中间件层面还有个值得关注的大趋势就是分布式架构和云边端协同。机器人在运行过程中产生的海量数据不会全部在端侧处理而是需要上传云端、离线训练、下发模型于是**端侧实时推理云端训练迭代**成了主流范式。我经手的项目里比较成功的基本都遵循这个原则实时性要求高的感知和决策放端侧非实时的训练、仿真和配置管理放云端两者通过轻量级协议做按需同步。3.2 运动控制的迭代从PID到MPC再到学习算法运动控制算法的十年演进本质上是一条从反馈到预测、从模型到数据的路径。十年前的项目里关节伺服控制最常用的就是PID加前馈调参全靠老师傅的经验一个机械臂的PID参数往往要调两三天。后来MPC模型预测控制开始被引入它可以在控制量约束下滚动优化出最优的关节力矩性能上限比PID高出不少但缺点是对模型的准确性要求高计算开销也更大。当时的硬件条件做实时MPC很吃力所以很多项目还是停留在PID为主、MPC做研究的阶段。近三四年强化学习和模仿学习在机器人运动控制领域的进展速度明显加快。现实环境中的样本效率和组织性约束成为最大瓶颈而仿真环境中的大规模并行训练给了算法足够的迭代空间。一个典型的案例是仿真中训练的ANYmal-like四足机器人在真实环境中零样本迁移其步态协调能力已经接近甚至超越传统模型方法这在十年前的教科书里几乎不可想象。给做控制的朋友一个工程建议学习算法很强但落地时最好先把仿真跟实机之间的真实差距量化清楚。哪怕只是关节间隙、传动柔性和通信延迟带来的几十毫秒延迟差就足以让一个在仿真里跑得很好的策略在实机上摔得七荤八素。比较实用的做法是系统辨识加域随机化先把机械臂各关节的频率响应测出来在仿真环境里把这些动态特性建模进去再引入足够大的参数随机化。这样仿真到实机的迁移难度才会降到可接受的范围。3.3 感知与决策的深度融合大模型带来的新变量感知算法可能是这十年变化最剧烈的一块。十年前做视觉识别用手工设计特征HOG、SIFT然后接一个SVM或者浅层分类器换一个光照条件就要重新调一遍特征参数。2015年前后深度学习开始在机器人视觉中全面应用CNN把识别精度推到了传统方法难以企及的高度后来语义分割、实例分割、位姿估计这些任务的模型能力持续增强让机器人对环境的理解从我看到了逐步变成我看懂了。但感知能力本身还不是终点。真正让机器人行业近两年沸腾的是以大语言模型为代表的多模态智能带来的认知升级。以前任务级别的语义理解需要很长时间去写规则、做状态机现在基于大模型用户可以用一句自然语言让机器人理解任务意图再配合视觉语言模型对场景进行推理和判断整个交互链路被极大简化。当然大模型在工业级场景落地还面临幻觉、实时性、算力成本和可靠性验证等一系列挑战但方向已经非常清晰行业正在往具备理解能力和泛化能力的机器人大脑演进。在这个阶段我给算法团队的建议是不要追着每一个最新模型跑。项目的落地价值不取决于你用了多新的模型而取决于你能否形成一条稳定可靠的数据闭环。感知模型要在巡检数据上持续迭代决策策略要在失败样本中不断修正。数据越多、闭环越完整机器人的能力才越扎实这是比首发某个新模型更值得炫耀的事情。4. 应用场景破圈从围栏厂房走进生活空间4.1 工业场景的深度渗透与柔性化十年前汽车整车厂和大型零部件厂是工业机器人的绝对主战场一条焊装线上动辄几十上百台机器人应用相对固定——焊接、搬运、喷涂、涂胶。当时的机器人几乎都要装防护围栏因为安全逻辑非常简单把人跟高速运动的机器完全隔离开。这也导致了产线改造周期长、灵活性差的痛点一条产线一旦建成就很难调整工艺。协作机器人的出现真正撕开了人机隔离这个口子。通过轻量化设计、力矩限制和碰撞检测机器人可以直接跟工人在同一个工位上工作不再需要物理围栏本质上是让机器在保证安全的前提下具备了对非结构化环境的适应性。更好的是协作机器人的部署和编程都大幅简化普通产线工人经过短期培训就能完成简单的拖拽示教这让中小工厂也具备了引入机器人的条件。这十年工业场景的一个重要变化是从大批量刚性自动化走向中批量柔性自动化。3C电子、锂电、光伏这类行业的产品迭代非常快一条产线可能半年就要换一次工艺传统固定式自动化很难适应。于是行业里出现了更多移动机器人机械臂视觉的组合方案底盘负责移动和变位机械臂负责作业视觉负责定位和校验三个模块协同让机器人在不同的工位间自由切换。这种方案的天然好处是产线改造不需要再改地面基础设备层面就能适应工艺调整。我实际做过的几个柔性化项目里最深的一个感受是——机器人的价值往往不在于省人而在于确定性。人工作业的质量波动是很大的同一个工序上午下午的良率都能差好几个点。把关键工序交给机器人之后质量的波动一下就收窄了后面的质检和返修成本随之下降。客户虽然嘴上说我要省钱但真正验收时最满意的通常是质量稳定性这一点后来我在每次方案汇报里都会放到台面上讲。4.2 物流与服务场景的爆发移动机器人的黄金十年移动机器人的十年演进是整个机器人行业里商业化最成功的一条线索。从早期的磁导航AGV到现在基于自然导航的AMR技术上走了一条从有轨到无轨、从预设到动态感知的路。让我举一个具体的例子早年在仓储场景里AGV依赖地面铺设的磁条或者二维码路径全部固定一旦现场有临时障碍物车辆不会变通只能停下来等人去处理。现在基于SLAM技术的AMR使用激光雷达和视觉构建语义地图即便现场环境发生局部变化车辆也能动态绕障整个系统鲁棒性大幅提升。移动机器人带动的关联产业也很可观调度系统、充电桩、货架改造、信息接口等配套环节都形成了新的市场空间。一个仓储项目里机器人本身可能只占成本的40%剩下的是系统集成、调度软件和项目交付。所以做这个方向的团队如果只盯着硬件本体很容易在项目里陷入被动——真正决定项目成败的往往是软件系统的灵活性和交付团队的现场工程能力。服务机器人的爆点则更贴近日常生活清洁机器人、配送机器人、导览机器人逐渐从展厅走进酒店、办公楼、商场甚至家庭。这些场景对成本、噪声、可靠性和交互体验的要求都很苛刻能够在消费端站稳脚跟的产品都是经过了长期的工程打磨和用户反馈迭代。从技术角度来说服务机器人比工业移动机器人更难的一点在于环境极其非结构化——家庭里的光脚、地毯、宠物、小孩每个变量都是对感知和决策的考验。4.3 特种场景足式机器人从实验室走向野外的十年双足和四足机器人在这十年的变化是行业演进最具视觉冲击力的部分。十年前足式机器人还在实验室里艰难地维持平衡走路速度慢、容易摔倒只能作为学术探索的载体。而如今我们看到越来越多的足式机器人走出实验室在安防、巡检、建筑工地和灾害救援场景中承担实际任务。这里面的核心技术进展要归功于动力学模型、实时状态估计和强化学习的三重突破。四足机器人是我个人特别关注的方向它的工程复杂性在于动态平衡与地形适应性的统一。传统基于零力矩点ZMP的控制方法在平地上表现不错但一遇到不平整地形就容易失效后来基于模型预测控制和全身动力学的控制框架把动态性能提升了一个档次加上更加鲁棒的状态估计器和地形感知算法四足机器人开始能够上下楼梯、跨越障碍、在碎石路面上奔跑。到这里还没有完——近年强化学习方法的注入又让运动能力上了一个新台阶。不过足式机器人真正要规模落地还需要回答一个老问题续航能撑多久我见过不少演示视频里动作炫酷的四足机器人在连续作业半小时多之后电量报警这在真实巡检场景里是不可接受的。电池技术、传动效率和能源管理仍然是足式平台商业化面前的一道硬门槛。对行业来说这是一条非常确定的赛道但还需要时间把短板补齐。5. 关键能力的深度复盘SLAM、抓取与人机交互5.1 定位导航SLAM技术的成熟之路SLAM同步定位与建图是移动机器人这十年里进步最快、也最内卷的技术方向之一。还在做研究那会儿我们在室内跑一个2D激光SLAM还要人工干预闭环来避免漂移一整幅地图建下来动辄要半天。现在的激光SLAM和视觉SLAM在室内环境下已经非常成熟实时建图、重定位、动态物体滤波都是标配能力。行业里甚至开始讨论SLAM是不是已经到天花板了——以我实际观察到的项目情况常规室内场景里确实接近天花板了但室外大场景、恶劣天气、高动态环境里还有很多难题等着解决。从工程实践来看我建议新手团队不要一上来就自己写完整的SLAM系统。如果场景是标准的室内平面环境直接用成熟的开源SLAM方案把精力更多花在传感器标定和场景适配上。我踩过最多的坑就是传感器标定不到位导致地图质量差。激光雷达安装的微小倾斜、相机与激光之间的外参误差都可能造成地图重影或者定位跳变。5.2 抓取与操作从针插不进到柔性抓取机械臂的抓取能力也是这十年变化非常明显的领域。早年间我们在产线上做抓取几乎只能抓形状规则的、姿态固定的物件——一个料筐里规规矩矩摆好的一排金属工件。因为当时的视觉算法只能处理平面定位没有能力做稠密三维点云上的任意姿态估计。随着3D视觉和位姿估计算法如投票网络、空间变换网络等的成熟机械臂开始能够在散乱堆叠的场景中识别并抓取工件这项能力直接催生了一个庞大的视觉引导抓取市场。除了视觉抓取本身的末端执行器也在进化。传统的两指夹爪形态固定面对异形工件很无力。现在很多场景里开始用柔性夹爪、真空吸取加感测的复合方案可以自适应地贴合物体表面。配合力矩传感器和阻抗控制策略机械臂在抓取脆弱物品比如半导体晶圆、水果、玻璃器皿时也可以控制接触力不会捏碎也不会松脱。从我的经验来看抓取项目的成功率跟三个因素强相关视觉定位精度、夹爪容忍度、通信时延。任何一个环节出问题整个系统的鲁棒性都会大打折扣。5.3 人机交互示教器、拖拽示教与自然语言人机交互方式的演进是普通用户感知机器人技术进步最直观的窗口。十年前操作机器人意味着面对一块专用示教器唰唰唰地在代码界面里敲指令。使用门槛太高导致工厂里只有少数专业工程师能维护和改产线。2015年前后拖拽示教开始流行操作者可以直接拖着机械臂末端走出目标轨迹控制器自动记录下来这大大降低了机器人编程的门槛也让协作机器人大规模进入中小工厂成为可能。现在交互方式正朝着自然语言意图理解演进。在多模态大模型的支持下用户可以让机械臂把左边的红色方块移动到右边的盒子里——这涉及语言理解、视觉目标识别、空间关系推理和运动规划本质上已经把交互从编程界面升维到了对话界面。但我要提醒的是目前自然语言交互在工业里的可靠性还不足以完全取代传统示教一旦语言指令有歧义或目标识别出错系统需要兜底方式所以成熟的方案通常还是自然语言图形化确认的复合交互安全性和易用性兼顾。6. 行业踩坑实录十年项目经验浓缩的避坑指南6.1 技术选型的常见误区如果说要给新入行的团队一个最中肯的忠告我想说不要因为技术新就去选它要因为场景适合才选它。我见过太多项目为了在方案里加入最火的算法而牺牲可靠性最后把自己拖垮在漫长的调试期里。比如有的团队在工厂场景里强行用纯视觉SLAM结果到了光线较暗或反光严重的区域定位系统直接失效有的团队在简单的固定轨迹分拣场景里强行上强化学习忽略了训练数据中的偏差和迁移难度导致在线性能远远不如传统的规则方法。技术选型的一个可行框架是这样的选型维度需要考虑的核心问题我的经验建议工作环境结构化程度现场环境是否固定、有无剧烈变化结构化程度越高越适合传统可靠方案节拍与实时性要求单循环时间多少决策延迟上限多少严格节拍要求下优先成熟控制方案数据可获取性能否持续采集足够的有效数据数据不足时先别上大模型补数据故障代价出错的成本有多高停机、损坏、伤害代价越高越要保守设计、加安全兜底团队技术积累有没有长期维护算法模型的资源量力而行选团队最能拿稳的方案6.2 工程化落地中的细节陷阱机器人项目从原型到产品之间的距离往往比从0到1更大。我在这里把高频踩到的细节陷阱罗列一遍每一条都是真金白银换来的教训。第一个是线缆管理与防护。我在一个移动底盘项目里遇到过非常诡异的现象机器人在某段地面上运行一段时间后激光雷达数据出现周期性噪声排查很久才发现是底盘内部的线缆在转弯时发生了位移正好挤压到了雷达的连接器。线缆的选型、走线路径、接头的固定方式在原型阶段看起来微不足道但量产阶段几乎必定成为可靠性的短板。建议把线缆管理当作结构设计的一部分来对待优先选用拖链或灌胶固定的方案。第二个是标定与校准的工作量被严重低估。机械臂末端工具坐标系TCP的标定、手眼矩阵的标定、传感器之间的外参标定每一项都直接影响系统精度。很多原型项目里用一次标定扫完所有环节后续运行一段时间后精度悄悄退化但没人负责重新标定。一套靠谱的做法是在系统里加入标定自检机制定期触发自动校验发现偏差超过阈值就报警暂停。第三个是环境适应性与电磁兼容。工业现场的电焊机、变频器、大功率电机都是强干扰源机器人系统如果不做好电磁屏蔽和滤波很容易出现通信丢包、传感器跳变。做移动机器人部署时最好在用户现场做一次完整的电磁环境摸底测试把干扰源的位置摸清楚后再定布线方案。第四个是数据闭环的建设。智能机器人项目本质上是一个数据系统。感知模型需要不断用新的现场数据去优化决策策略需要不断从失败案例里修正这个过程不是上线就结束的。所以我越来越强调项目交付不是终点数据回流和模型迭代才是让系统越用越稳的核心机制。在商务模式上这也越来越驱使行业从卖一次性设备走向卖持续服务。6.3 关于团队与项目节奏的经验最后谈谈团队层面的经验。机器人项目很少有单点突破就能成功的它天然是多学科协同的产物机械设计、电气工程、嵌入式计算、算法研发、软件工程、现场交付缺一个环节都会让项目停滞。我见过不少团队在算法上投入巨大但机械结构一塌糊涂最后样机都立不起来也见过机械做得非常惊艳的团队软件一盘散沙连基本的联调流程都没建立。组建团队时要刻意保持学科背景的多样性并且建立起谁对整机负责的明确负责人制否则每一层之间的接口就成了无主之地。项目节奏上我的体会是先跑通再优化。很多团队喜欢在第一个版本里就追求完美指标结果花了很长时间在仿真里调参数真机一跑发现最基础的通信链路都有问题。我现在习惯的做法是先搭一条最简单的感知-决策-执行整链路哪怕用的是笨办法只要端到端能跑通后面每一步优化就都有方向了。整机跑不通的模块在完美都等于零。7. 写在最后的个人体会这十年带给我最深的一个认知变化就是机器人行业已经从做出一台能动的东西进化到了做出一台能持续创造价值的东西。早期我们评判一个项目的标准是有没有做出样机、跑没跑通Demo现在大家更关心的是它在产线上稳定运行了多少天良率提升了多少客户的成本降低了多少设备能不能持续迭代。单纯的技术炫技正在让位于工程价值的整体交付。从我个人的角度还有几个很具体的小经验想分享给同行。第一尽量养成收集现场数据的习惯客户的每一张报警截图、每一次异常日志都是下一版系统优化的重要线索第二在做需求评审时多问如果这台设备坏了客户会不会真的心疼这能帮你想清楚产品的不可替代性在哪里第三保持对一个垂直场景的深度理解比同时追逐五个热门方向要更容易做出成果。机器人的十年演进远没有结束在我看来我们正站在新一轮变化的起点上——硬件已经基本准备好了软件生态也已经成熟了接下来更大的机会属于真正理解场景、理解行业、理解客户价值的人。这条路很苦但对真正热爱机器人技术的人来说也确实是最好的时代。
