在人来人往的地方走路，对人来说是本能，对机器人却是一道难题。一台名叫“旦宝”的机器人给出的答案是：只用“眼睛”看路，不靠预先建好的地图。

“旦宝”由复旦大学孵化，搭载的是纯视觉端侧大脑。拆开这个说法，里面有两层意思。纯视觉，指的是它主要依靠摄像头采集的图像来感知世界，而不是依赖激光雷达等其他传感器去建一张精确的三维地图；端侧，指的是感知与决策的计算发生在机器人自己身上，而不是把图像传到云端算完再把指令传回来。两层加在一起，意味着这台机器人可以在不预先勘测环境、不依赖外部算力的情况下，靠自己“看”明白周围，再决定往哪里走。

为什么不靠预建地图是一件值得注意的事？传统的机器人导航，往往先要把环境扫描一遍，建成一张地图，机器人再在这张地图上定位、规划路径。这种做法在仓库、工厂这类环境变化不大的地方很有效，因为地图一旦建好可以长期使用；但在商场、校园、街道这样人流不断变化的地方，地图很快就会过时，椅子挪了位置，人群换了方向，预先建好的地图反而可能误导机器人。纯视觉导航的思路与此不同：它不追求一张一成不变的地图，而是像人一样，走到哪里看到哪里，根据眼前的画面实时判断哪里能走、哪里有人、哪里需要绕开。

“旦宝”的视觉空间智能导航参数量约1.2亿。这个数字放在今天动辄几百亿参数的大模型时代并不算大，但恰恰是它的关键所在：参数量适中，才有可能塞进端侧设备里实时运行，而不必事事求助于云端。导航这件事对时延极其敏感，看到障碍物到停下脚步之间，容不得太长的等待，端侧运行把这条链路缩到了最短。同时，纯视觉方案还有成本与部署上的优势：摄像头比多线激光雷达便宜得多，也更容易小型化，这为机器人走进更多日常场景降低了门槛。

在人群中自主找路，是检验这套能力的试金石。人群不像静态障碍物那样可以提前标定，每个人都在移动，速度、方向、意图各不相同，机器人需要在动态的画面里分辨出哪些是行人、哪些是静止物体，预测行人下一步可能往哪里走，再在人群的缝隙里规划出一条既不撞人、也不把自己困住的路线。能够做到这一点，说明视觉空间智能已经不只是“认出东西”，而是开始理解空间关系与运动趋势，这正是导航从演示走向实用的分水岭。

当然，只用眼睛也有它的局限。光线太暗、视野被遮挡、地面反光强烈，都会影响视觉感知的可靠性，而人类在这些情况下还会用听觉、触觉乃至经验去补位。纯视觉机器人能否在这些极端条件下保持稳定，仍需在更多真实场景中验证。但“旦宝”的意义并不在于宣称视觉已经解决了所有问题，而在于它展示了一种更轻、更灵活的路线：不依赖重资产的预建地图与昂贵传感器，只靠一双“眼睛”和一个端侧大脑，就能在人群中走起来。这条路线如果跑通，机器人进入家庭、医院、商场等开放环境的成本与速度都会大为改观。

从更宽的视角看，具身智能的竞争正在从“能不能动”走向“能不能在真实世界里自主行动”。实验室里走直线、绕固定障碍物已经不够，能否在不可预测的人流中安全行走，才是服务机器人能否落地的关键一跃。“旦宝”把这一步放在了人群里，也把检验标准交给了真实世界。接下来值得看的，是它在更复杂、更拥挤、光线更多变的环境里表现如何，以及这套纯视觉端侧方案能否从一台样机，变成一批可以批量部署的产品。

来源：新浪财经