3、机器人核心技术基础：产品经理必须掌握的技术语言

机器人产品经理与技术团队沟通时，最尴尬的往往不是“不懂技术”，而是“听不懂技术”。当研发讨论“IMU 漂移导致 EKF 收敛慢”“导航栈在 costmap 里膨胀半径设小了”“执行器响应带宽不够”时，如果产品经理只能点头微笑，需求评审会就会变成单向的技术宣讲。本章不要求你写出控制算法或手撕 SLAM 源码，而是帮你建立一套完整的技术认知框架：知道机器人由哪些核心模块构成、每个模块解决什么问题、模块之间如何协作、以及当技术方案出现分歧时，你应该从哪些维度判断“这是真问题还是伪需求”。

上图展示了机器人系统的三层经典架构：感知层获取环境与自身状态数据，决策层完成定位、建图、规划与控制计算，执行层将指令转化为物理运动。系统软件与通信基础设施（如 ROS/ROS2）则像“神经系统”一样贯穿三层，实现数据流转与模块协同。下面我们逐一拆解每个核心模块，并给出产品经理需要掌握的关键判断维度。

3.1 机械结构：机器人的“骨骼”与产品形态的物理边界

核心原理：机械结构决定了机器人的自由度（DOF）、负载能力、运动空间和可靠性。对于产品经理而言，机械结构不是简单的“外壳设计”，而是产品功能、成本、安全性和可维护性的物理载体。例如，一款室内配送机器人的底盘采用差速驱动还是四轮转向，直接决定了它的最小转弯半径和通过性；机械臂的关节采用谐波减速器还是行星减速器，则影响其重复定位精度和成本。

判断方法：在评审机械方案时，产品经理应关注以下关键参数：

• 自由度（DOF）：机器人能够独立运动的轴数。移动机器人通常为 2-3 DOF（位置+朝向），机械臂常见 6-7 DOF。自由度越高，灵活性越强，但控制复杂度和成本也显著上升。
• 有效负载与自重比：负载能力与机器人自身重量的比值。比值越高，能效越好，但往往意味着更高的材料成本和结构设计难度。
• 重复定位精度：机器人回到同一位置的一致性误差。工业场景通常要求 ±0.05mm 以内，服务机器人 ±1cm 即可接受。
• 防护等级（IP）：防尘防水能力。室外机器人至少需要 IP54，食品加工场景可能需要 IP69K。

3.2 传感器：机器人的“感官”与数据质量边界

核心原理：传感器是机器人感知世界的入口，其数据质量直接决定了上层算法的效果上限。产品经理不需要精通每个传感器的物理原理，但必须理解不同传感器的特性、适用场景和局限性，以及它们之间的互补关系。

关键传感器类型与产品视角：

• 激光雷达（LiDAR）：通过激光测距获取环境点云。2D 激光雷达常用于室内导航，3D 激光雷达用于室外复杂环境。产品关注：线数（16线/32线/64线）、测量距离、角分辨率、抗环境光干扰能力。成本从几百元到数万元不等。
• 摄像头（Camera）：提供丰富的纹理和颜色信息，适合物体识别、语义分割。但受光照影响大，深度信息需要双目或结构光方案。产品关注：分辨率、帧率、视场角（FOV）、低光性能。
• 惯性测量单元（IMU）：测量三轴加速度和三轴角速度，用于姿态估计和运动补偿。IMU 存在漂移问题，需要与其他传感器融合。产品关注：零偏稳定性、噪声密度、温漂。
• 编码器（Encoder）：安装在电机或轮轴上，测量旋转角度和速度，用于里程计计算。但轮子打滑会导致累积误差。
• 超声波/红外/触觉传感器：用于近距离避障和防碰撞，成本低，但精度有限。

3.3 执行器：机器人的“肌肉”与运动性能边界

核心原理：执行器将电能或液压能转化为机械运动。常见的执行器包括电机（直流有刷/无刷、伺服、步进）、液压缸、气动元件等。对于大多数智能机器人，伺服电机+减速器是主流方案。执行器的性能直接影响机器人的速度、加速度、精度和能耗。

关键参数与产品关联：

• 额定扭矩与峰值扭矩：决定机器人能否完成特定动作（如爬坡、举升）。产品经理需要根据负载和运动要求反推所需扭矩。
• 响应带宽：执行器跟踪指令的速度。带宽越高，动态响应越快，但往往意味着更高的驱动电压和更复杂的控制算法。
• 减速器类型：谐波减速器（精度高、体积小、价格贵）、RV减速器（刚度大、承载强）、行星减速器（性价比高）。
• 制动与安全：是否具备断电抱闸功能，对于协作机器人至关重要。

3.4 控制系统与 ROS/ROS2：机器人的“大脑”与软件生态

核心原理：控制系统负责接收传感器数据、运行算法、生成控制指令。现代机器人几乎都基于机器人操作系统（ROS 或 ROS2）进行开发。ROS 不是传统意义上的操作系统，而是一个分布式通信框架，提供进程间通信（Topic/Service/Action）、参数服务器、TF 坐标变换、可视化工具（RViz）等功能。ROS2 在实时性、安全性、多机通信方面做了重大改进，是未来主流。

产品经理需要理解的关键点：

• ROS1 vs ROS2：ROS1 适合原型验证和学术研究，ROS2 适合产品化（支持实时内核、DDS 通信、加密）。如果产品计划长期迭代，建议从 ROS2 开始。
• 节点（Node）与话题（Topic）：每个功能模块（如激光驱动、SLAM、导航）是一个节点，节点之间通过话题发布/订阅数据。这种松耦合架构便于模块替换和调试。
• TF 坐标变换：管理机器人各部件（底盘、激光雷达、机械臂末端）之间的空间关系。产品经理不需要写 TF，但要理解“坐标标定”的重要性——如果传感器安装位置有偏差，算法再强也无法准确定位。
• 仿真环境：如 Gazebo、Webots，可以在虚拟环境中测试算法，减少实机调试时间。产品经理应关注仿真与实机的“差距”（Sim-to-Real Gap），避免过度依赖仿真结果。

# 一个简单的 ROS2 话题通信示例（Python）
# 产品经理不需要会写，但看到类似代码应能理解其作用
import rclpy
from rclpy.node import Node
from std_msgs.msg import String

class Talker(Node):
    def __init__(self):
        super().__init__('talker')
        self.publisher = self.create_publisher(String, 'chatter', 10)
        self.timer = self.create_timer(1.0, self.timer_callback)

    def timer_callback(self):
        msg = String()
        msg.data = 'Hello, Robot!'
        self.publisher.publish(msg)
        self.get_logger().info('Publishing: "%s"' % msg.data)

3.5 SLAM 与导航：机器人的“空间认知”与路径决策

核心原理：SLAM（Simultaneous Localization and Mapping，即时定位与地图构建）解决“我在哪里”和“周围环境长什么样”的问题。导航（Navigation）则解决“我如何到达目标点”的问题，包括全局路径规划和局部避障。SLAM 分为激光 SLAM（如 Cartographer、Gmapping）和视觉 SLAM（如 ORB-SLAM、VINS-Mono）。激光 SLAM 精度高、受光照影响小，但依赖激光雷达；视觉 SLAM 成本低、信息丰富，但对计算资源和光照敏感。

导航栈的关键组件：

• 全局路径规划：在地图上找到从起点到终点的最优路径（如 A*、Dijkstra 算法）。产品关注：路径是否平滑、是否考虑机器人尺寸（膨胀半径）。
• 局部避障：实时检测动态障碍物并调整路径（如 DWA、TEB 算法）。产品关注：避障灵敏度、在狭窄通道中的表现。
• 代价地图（Costmap）：将传感器数据转换为栅格地图，并标记障碍物和膨胀区域。膨胀半径设置不当会导致机器人“不敢”靠近墙壁或家具。
• AMCL（自适应蒙特卡洛定位）：在已知地图中估计机器人位姿。产品关注：重定位速度（机器人被搬动后能否快速找回位置）。

3.6 运动控制：从“指令”到“动作”的最后一公里

核心原理：运动控制是将规划好的路径转化为电机电流指令的过程。底层是 PID 控制（比例-积分-微分），上层可能是 MPC（模型预测控制）或前馈控制。对于移动机器人，运动控制涉及轮速协调、打滑检测、加速度限制；对于机械臂，涉及关节空间与笛卡尔空间的轨迹插补。

产品经理需要关注的“控制感”问题：

• 启停顿挫感：如果加速度设置过大，机器人启停时会有明显点头或晃动，影响用户体验（如送餐时汤汁洒出）。
• 轨迹跟踪误差：机器人是否严格沿规划路径行走，还是会出现“切弯”或“画龙”现象。
• 抗扰动能力：当机器人被外力推一下或轮子打滑时，能否快速恢复稳定。

3.7 综合案例：一款室内巡检机器人的技术选型复盘

背景与目标：某园区需要一款室内巡检机器人，用于机房、配电房的仪表读数识别和异常温度检测。核心需求：自主导航、自动避障、仪表盘拍照识别、定时巡检、自动回充。预算有限，要求整机成本控制在 3 万元以内。

初始方案与问题：研发团队最初方案采用 16 线 3D 激光雷达（成本约 1.2 万元）+ 工业相机 + 工控机（i7 处理器）。样机测试发现：1）3D 激光雷达在机房高反射地面（环氧地坪）上产生大量噪点，导致地图不干净；2）工控机功耗高，电池续航仅 2 小时，无法满足 4 小时巡检需求；3）整机成本超预算 40%。

分析与调整过程：

1. 传感器降级：机房环境相对规整，通道宽度固定，2D 激光雷达（RPLIDAR A2，成本 1500 元）足以满足 ±10cm 定位精度需求。将 3D 激光雷达替换为 2D，节省约 1 万元。
2. 算力优化：仪表识别不需要实时视频流，采用“低功耗 ARM 板（如 Jetson Nano）+ 定时拍照”方案，将工控机替换为嵌入式平台，功耗从 65W 降至 15W，续航提升至 5 小时。
3. 导航策略：由于机房布局固定，采用“先建图、后定位”的 AMCL 方案，不依赖实时 SLAM，降低计算负载。
4. 成本控制：最终整机成本约 2.3 万元，满足预算。

结果与复盘：调整后样机在测试中表现稳定，定位精度 ±8cm，仪表识别准确率 98.5%。但发现一个新问题：机房地面有少量线槽盖板，高出地面约 1cm，2D 激光雷达无法检测，导致机器人偶尔卡住。最终通过加装超声波传感器（探测距离 5-50cm）作为补充，并在导航代价地图中手动标记“危险区域”。

产品经理复盘经验：技术选型不是“越贵越好”，而是“场景匹配”。在项目初期，产品经理应组织研发、测试、运维共同参与“场景约束清单”的编写，列出所有可能影响传感器和运动性能的环境因素（地面材质、光照、电磁干扰、人员密度等）。这份清单是技术选型和后续验收的共同基准。

3.8 本章总结：产品经理的技术语言清单

作为机器人产品经理，你不必成为技术专家，但必须建立以下认知：

• 系统思维：机器人是感知-决策-执行的闭环系统，任何单点优化都可能带来其他环节的代价。
• 参数敏感度：学会区分“关键参数”和“参考参数”。例如，定位精度是关键参数，而传感器帧率可能是参考参数（除非涉及高速运动）。
• 成本意识：技术方案的成本不仅包括硬件 BOM，还包括研发调试时间、维护成本、备件成本。开源方案看似免费，但定制化改造可能耗费大量人力。
• 风险预判：在需求评审时，主动询问“这个方案在什么情况下会失效？”例如，视觉 SLAM 在暗光环境失效，激光 SLAM 在高反光环境失效。提前准备备选方案或安全机制。