具身智慧數據競賽升級，機器人之眼成行業競爭新焦點

央視網消息：2026年，具身智慧行業正陷入一場關於數據的競賽。百萬小時採集計劃成為頭部廠商標配，數採硬體密集發佈，開源數據集接連涌現。行業共識是：誰先獲取到更多的數據，誰就能訓練出更大的模型。可行業目前真正缺少的，不只是更多數據，而是具備真實尺度、穩定時空關係、並能高效進入訓練與推理流程的高質量空間數據。因此在這場競賽中，一個關鍵問題正在被重新審視——什麼樣的"機器人之眼"才能採集到真正高質量的空間數據？

多傳感器融合方案的邊界

目前，主流廠商普遍採用多傳感器融合方案，遠距離感知交給以dToF為核心的激光雷達類傳感器，近距離操作交給高精度深度相機。兩套系統覆蓋機器人的"遠"和"近"、導航與操作，是當前工程上最成熟的方案之一。

但從原理上，這種方案繞不開三個問題：

視差——多個傳感器物理位置不同，後端融合存在對齊誤差；

時間同步——不同傳感器採樣頻率不同，拼在一起的世界模型存在"時間差"；

材質盲區——高反光金屬、透明玻璃、薄膜等材質，傳統感知方案難以有效採集數據。

這三個問題並非算法優化可以完全解決，而是"先成像、後計算"技術路線自帶的物理局限。

新路線："超越融合"

2026年8月，時空張量機器人在2026世界機器人大會上全球首發其核心産品：7D空間智慧視覺傳感器"天眼·Tensopt"。

該産品所採用的技術路線與主流多傳感器融合方案存在本質差異。時空張量提出了"基於高時間分辨的空間計算智慧成像"方案，核心理念為：先計算，後成像。

具體實現上，該方案採用自研的"一路雙光"光路架構——即一條物理光路配合一枚傳感器，同時實現空間距離感知與二維語義感知。納秒級脈衝激光負責測距與三維重建，皮秒級時序同步與單光子級門控成像負責高清可視化感知，照明與成像在同一時刻、同一光路中完成。

時空張量的7D空間智慧相機則將傳統攝像機的工作流程逆向重構，在光子到達傳感器之前即開始計算。"一路"指硬體架構形態，"雙光"指功能分工，同時具備測距與二維彩色成像能力。該方案不依賴多傳感器硬體拼接，從物理層面消除了多傳感器融合中的視差與時間同步問題。

全光函數七維合一

在光學領域，一條完整的光線需要7個維度來描述，即計算機視覺領域所稱的"全光函數"。時空張量將這7個維度集成於一枚傳感器：X/Y/Z三維坐標、RGB語義信息、時間戳，並疊加脈衝飛行時間測距功能。

傳統方案需要將攝像頭、激光雷達、毫米波雷達等多種傳感器組合使用，而時空張量的空間智慧相機僅需一台設備、一條光路、一個物理信號，即可實現感知統一。

在機器人應用場景中，該産品的關鍵參數包括：感知量程0.15m至30m，近距離達毫米級精度，中遠距離達厘米級精度。單台設備可同時覆蓋遠距離導航避障與近距離精細操作需求，相當於將目前行業主流方案中導航感知與操作感知兩套系統的功能集成於一體。原生輸出超過3000萬點/秒的超稠密點雲，相比主流方案原生點雲密度有顯著提升。點雲密度越高，物理世界的空間幾何關係與語義屬性還原越精確。全分辨率下實現25Hz實時空間點雲生成，而行業主流方案目前全分辨率空間點雲生成速度為10Hz。內置AI算力，可直接通過計算成像輸出深度信息與彩色點雲，無需依賴外部算力資源，而主流方案需借助外部算力方能完成成像處理。

高反光與高透明場景的感知突破

在家庭服務場景中，機器人進入廚房面對玻璃杯、透明保鮮膜、不銹鋼器皿等傳統視覺難以有效感知的物體時，該産品通過對空間光場佔用率的直接測量，不依賴物體表面反射特性，可對透明玻璃、高反光金屬、純白墻面、微光暗環境等傳統深度相機和激光雷達難以有效感知的邊緣場景實現完整的點雲重建。

在精密裝配場景中，3C電子産線手機主板插件間隙小於0.1mm，機械臂末端需達到微米級定位精度。傳統視覺方案在高反光焊點、金屬引腳等場景下精度下降明顯，影響産品良率。該産品以毫米級空間定位精度和每秒超3000萬點的點雲密度，為機器人的手眼協同提供了高精度數據支撐，時空張量團隊將其概括為"最後一毫米"。

在物流分揀場景中，電商倉庫內包裹形態各異、堆疊無序，透明膠帶封口的紙箱、亮麵包裝袋、異形軟包等傳統視覺需大量樣本訓練，遇到透明材質時識別效果受限。該産品憑藉超稠密點雲還原完整的空間幾何關係。

在戶外作業場景中，配送機器人在強光、眩光、逆光環境下穿行，傳統攝像頭易出現過曝，激光雷達信號可能衰減。該産品抗干擾能力達100KLux，在單一光路內完成照明與成像，不受環境光變化干擾。

這些場景的共同特點在於：它們均屬於傳統多傳感器融合方案難以有效處理的複雜感知場景，而該産品從物理原理層面繞開了這些問題。據介紹，該方案在實際應用中可幫助客戶減少2至3個傳感器，標定成本降低60%以上，SLAM精度提升3倍。

“先計算，後成像”的時代潛力

機器人視覺的技術路線在2025至2026年間迎來實質性分化，背後的驅動因素主要有三點：

第一，視覺-語言-動作（VLA）端到端模型的爆發，對視覺輸入端的感知質量提出了更高要求。Google的RT-2、Physical Intelligence的π0、智元的Gen e Envisioner等模型將視覺、語言與動作控制進行端到端融合。模型能力越強，對輸入端數據質量的要求越高。

第二，多傳感器融合路線在工程層面已接近物理極限。主流方案將同步精度做到1毫秒以內，繼續提升的空間有限。

第三，機器人應用場景正從專用走向通用，對視覺系統的要求從"滿足特定場景"升級為"適應全場景"。工業分揀、精密裝配、物流搬運、家庭服務等場景對視覺系統的要求各不相同，但均無法容忍感知盲區的存在。

這三重因素疊加，使"先計算、後成像"這一此前相對小眾的技術路線開始獲得更廣泛的行業關注。

行業觀察

回到開頭那個問題：具身智慧"數據競賽"的上限，到底在哪兒？

當機器人的眼睛能夠天然輸出具備真實尺度、穩定時空關係、並能高效進入訓練與推理流程的7D空間數據，行業所追逐的"百萬小時高質量數據"，將不再依賴事後融合與人工清洗，而是在源頭以"物理級正確"的方式被生産出來。"天眼"所感知的數據具備連貫、完整、統一的時空屬性，無需繁瑣的標定、對齊與融合算法，為行業提供了通往物理AI世界的基礎設施。

"一路雙光"、空間光切片、計算成像，這些技術的本質，是為機器人量身定義一種不同於人類視覺的感知方式。同一束光，在同一個光路裏，同時完成照明、成像、測距、三維重建，沒有視差，沒有時差，沒有盲區。

央視網科技將持續關注具身智慧感知技術的發展與演進。