具身智能（Embodied AI）是指机器人能够通过其物理形态与环境的交互，进行感知、学习、决策和执行，从而完成复杂任务的能力。具身智能强调机器人不仅要具备感知环境和分析数据的能力，还要能够通过身体的行为和物理互动来适应环境变化，做出实时响应。

具身智能的特性包括自主性、适应性、学习能力和环境互动能力。在工业能源领域，智能巡检机器人需要面对多样化的设备、复杂的环境和不可预测的状况，因此，具身智能特性使得机器人能够应对这些挑战，通过自主巡航、实时避障、故障检测与预测、环境变化的应对等功能，提升巡检任务的效率和准确性。本文将从具身智能技术在巡检及操作任务上以及在导航上的应用两方面进行分析。

具身智能技术在巡检及操作任务上的应用

目前机器人常用的巡检识别方案如下：

当前面临的难点：

难点1：针对新客户的不熟悉的现场，需重新训练每一个模型，并重新部署，交付成本高。

难点2：老客户升级设备，或更换操作部件，仍需要重新训练每一个小模型，维护成本高。

难点3：巡检机器人摄像头更换或图像的分辨率改变，模型都存在识别率降低或不识别的风险，仍需重新训练每一个模型。

基于小模型的方案算力需求小，好部署，但鲁棒性差，维护成本高，适合在数据不足时的开发。

超维机器人得益于在工业和能源领域多年数据积累，在开源的通用检测大模型GLEE的基础上，公司二次开发了应用于工业和能源场景的图像处理大模型。

根据操作业务及机械臂自动手眼标定需求，我们独立设计了3d深度估计的decode模块，实现了模型对深度的估计。GLEE并未包含图像的匹配模块。我们根据模型所提取的图像特征输出，设计了独立GNN(Graph Neural Network)模块，同时考虑图像上关键点的特征和位置信息，实现了图像匹配功能。

以下为我们采用大模型后，各个任务指标的对比：

具身智能技术在导航上的应用

机器人在执行巡检和操作任务时，对导航的精度要求很高，一般要求误差在±5cm内，姿态误差在±3°内。

目前常用的感知定位方案（ 建图过程）：

在缺乏特征的场景下，相机和激光雷达的信息用传统的方法很难提取到有效的特征。例如在空旷的场景，例如田野，大的较为空旷的变电站，或室内特征相同的走廊通道，室外的林荫道等。

SLAM导航难点：

难1：

在极端天气下，如雨雪，大雾等天气，激光雷达和相机的工作受限，无法准确定位。

难点2：

在环境变化的场景下，如设备升级改造，场地施工等情况下，原有的建图与目前的激光雷达和相机的感知结果不匹配，机器人导航定位就会丢失位置，无法导航。

难点3：

在光照变化在环境变化的场景下，如设备升级改造，场地施工等情况下，原有的建图与目前的激光雷达和相机的感知结果不匹配，机器人导航定位就会丢失位置，无法导航。比较剧烈的情况下，利用传统机器视觉无法提取的图像特征信息，从而降低了感知定位的精度。

超维机器人基于开发的视觉大模型，采用自研的图像匹配模块，有效提高了处理图像信息的鲁棒性。目前能有效保证机器人在白天和黑夜有灯光情况下的巡检任务的精度需求。

采用图优化神经网络（GNN）开发了3d点云的匹配方案，当场景变化时，在线更新地图。

核心技术

超维具身智能带电操作机器人核心技术：

1、基于5G信号辅助的室内定位；

2 、结合视觉、听觉、触觉等传感器的数据，基于服务器端的大模型，实现端到端的环境感知，自主导航，决策规划及操作控制。

3、利用异常检测及预测模型，机器人可监视和预测自身状态，及时发现潜在故障，进行预警。