配送机器人为何仍在人行道和街道上举步维艰
作者：RobotWorld·2026/9/16
自主配送机器人的承诺令人难以否认：零排放的最后一公里物流，释放道路空间并降低配送成本。它们已在美国、欧洲和亚洲的大学校园、郊区居民区和杂货店外出现。然而，越来越多的用户投诉、运营商报告和独立观察表明了一个顽固的现实——这些机器在共享公共空间中的行为频频不符合人们的预期。
核心问题既不是奇特的也不是神秘的。一旦你将轮式机器人放在挤满行人、自行车、不平坦路面和模棱两可社交信号的人行道上，就会产生你预期的摩擦点。
道路规则（和人行道规范）比看起来更难
汽车的道路规则已明确编纂，在很大程度上保持一致。另一方面，人行道规范是当地法令、不成文的社会习俗和陌生人之间实时协商的结合。人类凭直觉应对这一切——做眼神接触、读懂肢体语言、让开或用点头示意。机器人还不能可靠地做到这一切。
当前配送机器人依靠摄像头、超声波传感器和激光雷达的组合来检测障碍物并规划路线。当障碍物是静态的——停放的汽车、邮箱、墙壁——它们通常应对良好。麻烦来自于「动态」的、社交嵌入的情景：一群人站着交谈、自行车手突然转向、长牵绳上的狗，或者半条人行道被建筑工地占据且没有正式迂回路线。这些场景需要预测和社交推理，而不仅仅是检测。
结果是机器人突然停止、采取令人困惑的迂回路线，或者——在引起最多投诉的情况下——在等待情况解决时阻挡了人流。这些都不安全，也不会建立公众信任。
传感器和计算能力差距
部分问题在于这些服务在商业上需要运营的价格点的硬件能力。高保真感知——研究级自主车辆中使用的那种——成本高昂。配送机器人是成本受限的机器，因此其传感器套件通常不如高级无人机或检测机器人复杂。
这很重要，因为稳健的真实世界导航取决于从多个来源融合的丰富、准确的环保数据。为要求苛刻的自主运行而设计的平台——如为崎岖地形而打造并配备自主导航的「Unitree B2」四足机器人——说明了机器处理真正非结构化环境所需的工程水平。将该能力转化为商业上可行的轮式配送机器人仍然是一个开放的工程挑战。
在计算方面，在嵌入式系统上运行实时感知、路径规划和行为推理确实困难。专为解决这一瓶颈而设计的边缘人工智能平台——如「NVIDIA Jetson Orin Nano Super」——以适合移动机器人的紧凑、低功耗形式提供了强大的人工智能推理能力。但将该计算能力与正确的传感器套件集成，并使用充分多样化的真实世界数据进行训练，是许多商业部署不足之处。
训练数据问题
机器学习模型只与其训练数据一样好。如果配送机器人的导航人工智能主要在受控测试环境或一组有限的街道中学习，当它遇到真实公共空间的全部混乱时——陌生的路缘切口、雨滑的人行道、建筑转向行人流，或在文化特定方式下表现的人群——它会举步维艰。
这是数据多样性问题。这就是为什么在晴朗的加州郊区表现良好的机器人在多雪的中西部城市可能表现不稳定，或者为什么在低行人密度环境中测试的机器人在繁忙的城市街区会陷入困境。解决方案——收集更多样化的训练数据并持续重新训练模型——原则上很直接，但在实践中缓慢且昂贵。
监管拼凑
除了技术挑战外，配送机器人还在零碎的监管环境中运营。规则不仅因国家而异，还因城市而异，有时甚至因街区而异。人行道机器人的速度限制、重量限制、允许自主运行的区域以及远程人工监督要求在不同司法管辖区差异很大。大规模构建车队的运营商必须为其服务的最严格环境设计，同时还要遵守每一项当地变更——这是一种合规负担，会减缓部署和迭代。
什么样才是好的
这些问题都不是无法解决的，进展是真实的。研究人员正在开发更好的社交导航模型——允许机器人预测和适应人类运动而不仅仅是对其做出反应的系统。传感器融合技术正在改进，更有效地组合摄像头、激光雷达和雷达数据。随着边缘人工智能硬件的成熟，价格合理的移动机器人可用的计算能力大幅增加。
室内环境展示了在问题受限时可能实现的成果。「Pudu BellaBot」是一款在酒店服务中部署的商业食品配送机器人，它使用双重同时定位和地图构建（激光雷达和视觉）定位在餐厅和酒店走廊中可靠地导航——因为环境受控、提前映射且基本上不存在不可预测的行人行为。室外人行道问题是同一挑战的一个根本上更难的版本。
信任方程
从技术角度来看，运营商低估了一个人类维度。公众对配送机器人的接受程度在很大程度上取决于人们是否认为这些机器在共享空间中的表现「明智」和「尊重」。阻挡轮椅使用者路径、惊吓儿童或使老年行人困惑的机器人不仅会失败一次配送——它还会侵蚀使这些车队能够运营的更广泛社会许可。
正确处理配送机器人不纯粹是硬件或软件问题。这是一个设计机器的问题，使其能够作为共享环境中可预测、体贴和安全的成员参与公共生活。这个标准比看起来可能要高——行业仍在努力实现它。
参考资料
「本文在发布前由人工智能协助起草并经过审查。」