在全球经济面临劳动力短缺的背景下，加之疫情的进一步催化，服务机器人取得了蓬勃发展，预计2022年，全球服务机器人市场规模将达到217亿美元，然而尽管如此，在高速发展之下，机器人的行业渗透率却并未明显提高，究其原因在于红利之后，机器人的规模化商业落地过程走的并不顺利。

商业化落地的前提是产品能否提供真实价值，而真实价值的判断在于产品能否适用场景。从市场反馈来看，大多数服务机器人都有着或多或少的“水土不服”问题，如无法适应环境变化，环境变化后，终端用户无法简单操作实现场景适配；智能化程度低，行人避障及功能表现不理想；部署困难，需要专业培训人员部署等。造成这些问题的原因也有多个方面：

工况复杂

在实际运行过程中，遗漏作业、避障失灵等问题频发，环境的复杂性是重要原因之一。以常见的商超场景为例：

• 场景内部复杂，如场景中镂空的货架（全高类障碍物）、狭窄的通道、易跌落区域、高低矮障碍物及临时的摊铺等对机器人通过性、感知能力、贴边能力、任务规划能力挑战巨大。

• 高动态化，场景内人流量大，易聚集，动态障碍物较多，考验机器人的安全避障能力。

• 特殊物体较多，如玻璃护栏、自动扶梯、玻璃转门、玻璃墙等高透物体大多数机器人基本无法识别，且容易对激光雷达容易产生干扰，导致机器人误判，发生碰撞、跌落、无法靠近作业等情况。

同时，场景的光线环境变化对于机器人的“眼睛”系统同样影响极大，对于依赖视觉传感器的机器人来说，想要在普通光线、黑暗、过曝等光照条件都能稳定运行并非易事。

智能化程度低，机器人在作业、避障等方面表现呆板、程式化，且动态（行人）避障效果不理想。

针对各种不同环境不能灵活处理，对于特殊场景处理较差。场景内部不同区域作业要求不同，如商超场景中的饮食区，水产区、果蔬、熟食区更易产生垃圾、积水，这就要求机器人能够根据区域特性提高作业频率等不同智能化作业。

面对场景的高动态性，机器人要能够识别及预测行人动态，并主动避让，而目前现有的机器人大多为被动避障，反应较为呆板，智能性不足，导致避障失败的情况时有发生，机器人应具备实时判断潜在风险的能力，提前做出规避。

部署效率低，需要专业培训人员部署。

机器人部署流程复杂困难（如SLAM建图、目标点标注等），所有部署操作只能由机器人公司特殊培训的现场部署工程师执行，使用者难以操作及参与，且当需要变更时，仍需现场部署工程师进行操作。机器人企业往往需要搭建部署团队，这样的做法显然会进一步加大投入成本。

在服务机器人行业竞争进入下半场的今天，毫无疑问，这些问题的解决将是规模化落地的关键。此外，由于高昂的成本，较低的人工替代价值，也导致终端客户的购买意愿并不强烈。如何降本增效，机器人企业们却仍在苦苦探索。与此同时，对于产业链上游的AI技术供应商们来说，却是一次机遇，其中INDEMIND正走出了一条新道路。

作为国内领先的机器人关键AI技术供应商，INDEMIND在机器人的导航、避障、决策、AI交互等关键技术和产品开发方面有着丰富的积累，且拥有面向机器人企业从0到1搭建产品的全栈式技术能力。针对当下的机器人问题和行业需求，专门开发了RBN100商用机器人AI方案。

该方案区别于市场大部分以多线激光雷达为主的导航方案，而是采用以立体视觉为主，根据应用场景搭配单线激光雷达、ToF等传感器的多传感器融合方案，提供高精度导航定位及三维避障的安全决策功能，具备工业级机器人的可靠性及小型机器人的灵活性，同时成本更低廉。

在应用上，INDEMIND对商业场景做到了全兼容，目前已经部署过全球上千种不同商业场景，无需进行场景分类，直接部署即可使用，且针对场景内的玻璃幕墙、强光等传统问题实现100%有效应对。

基于立体视觉技术，方案能够对全域障碍物进行监测和识别，最小避障高度2cm，对于悬浮型障碍物、运动障碍物均能做到精准识别，且在使用中实时更新地图，更正运行路线。同时，搭配决策引擎技术，方案还具备智能作业、主动安全和决策交互等能力。此外，针对光线适应问题，INDEMIND通过增加纹理补光、亮度补光等形式实现了光线自适应。

• 智能作业：依照场景中的动态化作业需求，自主调整作业策略，优化机器人作业性能及效率。

• 主动安全：作业过程中，能够判断潜在风险，并根据风险分类，提前做出规避策略。

• 决策交互：接受用户下达的自然语义命令，自主设计作业策略，完成个性化交互。

需要提到的是，搭载RBN100商用机器人AI方案的产品无需预部署开箱即用，不依赖线下支持团队，偏远地区可以完全依靠网络销售。同时在成本上，无需价格高昂的激光雷达传感器，基于视觉传感器成本上的天然优势，能够大大降低整机成本。

目前，INDEMIND已和国内外多家巨头客户达成合作，签署机器人订单超2万台，实现全球部署，未来三年预期订单将超10万台。