
城市级具身,为什么难?
同样一台机器人,放在工厂车间和城市马路上,面对的是两个截然不同的世界。在结构化场景(如工厂车间)内,机器人落地已十分成熟,但进入开放环境(如城市马路),难度则大幅提升。尤其是在城市户外环境中,机器人需 7×24 小时不断电工作,这要求它能经受住风吹日晒和人来车往。中国信息通信研究院的《具身智能发展报告》将现状概括为:数据、模型、本体、场景难闭环。但毋庸置疑,2026 年具身智能已开始从技术验证期迈向场景落地期,而城市服务成为检验落地能力的重要考场。面对这一现状,以“具身智能服务城市开放场景”为目标的库萨科技做出了清晰选择:打通数据采集、模型训练、机器人部署的全栈工程,让机器人在真实世界先跑起来,并保证跑得稳。在库萨看来,填平规模化落地的鸿沟,研发和工程化能力需同时过硬。库萨成立于 2023 年,核心团队来自清华、上海交大等高校,核心成员拥有 15 年的整车、机器人与自动驾驶研发与管理经验。其核心产品是面向城市开放场景的服务机器人,已在超 40 座城市落地运营。今年 7 月中旬,库萨科技发布了具身智能开发平台 Kusa Robo Platform。该平台定位明确,是专为城市级具身智能部署打造的工程化平台,从数据采集、模型训练到多端部署、远程运维,形成全栈闭环。作为少数真正进入这个考场的公司,库萨想用此回答一个行业内无人能说清的问题:为什么具身智能规模化落地,做好专用平台才是关键?自动驾驶团队转型做机器人,起初都认为只是将二维问题升为三维。库萨团队一开始也是这么想的。从平面到空间,看似难度不大,但深入场景后才发现,基准完全变了。最本质的区别在于评价方法的变化。在同一场景下,乘用车的任务是从 A 到 B,不撞车、体感好就算成功。而城市环卫机器人则相反,它要主动与各种东西接触并做出判断。例如,马路上一个鼓鼓囊囊的黑色塑料袋,里面可能是砖头、装满水的矿泉水瓶或空瓶子,处理方式截然不同。对于自动驾驶来说,碾过去或绕开即可,而环卫机器人得尝试清扫,扫不动再做决定,因为环卫的硬指标是把垃圾扫干净,看到东西就绕开等于没干活。评价方法的改变背后,隐藏着一个被低估的维度和难点:物理交互。库萨科技联合创始人兼 CTO 陶圣告诉 36 氪,自动驾驶不太关心接触力学,因为汽车行业已有多年积累,底盘“早就做好了”,而城市服务机器人必须将末端清扫结构的力矩反馈、旋转控制与整车控制完全耦合。这就是从“车”到“机器人”的跨越所在。要处理好物理交互,仅靠传感器不够,还需让模型理解物理世界本身。
为什么偏偏选城市场景?
陶圣表示,核心判断在于看到了真实且迫切的需求:城市空间复杂度高、技术壁垒强,同时能直接产生可落地的商业化价值,是验证具身智能工程化能力最合适的土壤。更关键的是,城市服务机器人行业的市场渗透率很低,不足 1%,是尚待开发的蓝海。这是一件做起来难但回报明确的生意,也是值得长线技术投入的“难而正确的事”。这种门槛决定了城市级具身智能需要一套专用的工程平台,库萨的答案就是 Kusa Robo Platform,这要从三块核心技术说起。
底座、燃料和大脑
此次发布的三块核心技术分工明确。Kusa OS 是面向城市级具身智能的专用操作系统,负责机器人的稳定运行和实时调度;Corner Factory 是数据工厂,负责从数据中自动挖掘、清洗、标注长尾场景;Kusa Omni - CTS 是全模态具身模型,负责从场景感知、认知理解到动作输出的完整链路。这三块技术回答的是同一个问题:机器人如何在城市里跑得稳、学得快、懂场景。Kusa OS 首先解决的是“跑得稳”的问题,其起点可追溯到 2018 年,当时库萨核心团队还在做码头无人驾驶。ROS2 是机器人圈最主流的开源软件框架,设计上注重灵活性和易用性,方便研究者快速跑通新算法,但代价是硬实时性不足,会有不可预期的延迟和抖动,在对长期稳定性和实时性要求极高的城市服务场景中有潜在风险。这也是库萨从底层自研 Kusa OS 的核心原因。与城市服务一样,码头场景也需 7×24 小时不断电运行,对长期稳定性和实时性要求极高。库萨从场景真实需求出发,基于数据分发技术从头自研了一套系统,核心思路是让系统更精简,每个模块都严格可控。系统更小,就能更稳定。在长期迭代过程中,它为行业解决了三件事:长期稳定性、确定性调度以及时延抖动压缩。不过,过去几年自研 OS 的代价也实实在在。“到现在我都依然在纠结”,陶圣如此形容。最大的挑战是工具链不完备,ROS2 社区原本有大量开源贡献,覆盖了从实时可视化监测到机器人动力学仿真,再到世界场景重建的全链路,但自研就都得自己建。库萨的解法是另起炉灶,做一套编程工具链,用描述性语言自动生成初始化代码,让迁移成本尽量低。自研付出的代价,终于换来了底层的自由度和实时稳定度。如果说 OS 是底座,那么 Corner Factory 就是燃料,因为它解决了“持续学”的问题。库萨的数据飞轮“跑通”体现在,公司第一个量产产品落地时,整套管线就已打通,现在自动标注的占比也从早期的 80%提升到了 90%以上。据陶圣介绍,一条完整的数据链路运转如下:机器人作业中遇到异常触发停车,自动保存前后若干秒的多传感器数据,回到作业站点后由专门的数据采集器传回数据工厂。先完成人脸、车牌等脱敏,再进入自动标注,从早期的 2D 分割分类,升级到 3D 占用网格和三维重建。人工做最后的修补和确认,再由专用模型筛选哪些是真正值得学习的长尾场景,入库后喂给模型训练。在 Corner Factory 中,Kusa Omni - CTS 基于单帧真实场景输入生成时序视频流,并从中同步派生 3D 点云及 OCC 语义占用。Kusa Omni - CTS 将 OCC/3D 点云确立为核心中间表征,在二维观测与三维结构间构建物理级空间约束,确保空间理解的准确性,支撑数据闭环的高效运转与模型周级迭代。但陶圣也直言:“数据飞轮或者管线并不是壁垒,数据才是真正的壁垒。因为数据与场景密切相关,没见过就是没见过,不可能靠工程师脑补。数据飞轮带来的先发优势,本质上需要用时间乘以量。”最上层的 Omni - CTS 作为大脑,解决的是让机器人“懂场景”的工程化难题。陶圣解释,库萨模型的“第一性原理”是:难点不在某个具体技术,而在思维方法的转变。他甚至自嘲:“我们就是个缝合怪”。但缝合不是拼凑,是把视频生成、时空编码、3D Gaussian 等不同领域的前沿思路,拼成一套原创的解法。在工程化领域,这是更准确的说法,是模型结构的创新——它突破了模型异步输入的难点。核心问题很具体。在真实的机器人上,多个传感器天生就对不齐。比如激光雷达 10 赫兹、相机 30 赫兹、IMU 可能 1000 赫兹,数据来的节奏完全不同。强制同步要么等待卡顿,要么产生矛盾,模型性能就会大幅下降。Kusa Omni - CTS 要解决的就是这个问题,其解法分两层:第一层,是跨模态异步特征对齐。摒弃传统离散帧对齐,在高维隐空间构建连续时空曲线,视觉、激光、IMU、力矩反馈各按各的节奏采集,进入模型后自动“对表”,让数据自然流动,不再依赖昂贵的硬件同步。第二层,则是物理一致性预测——这正是对“物理交互”难题的回应。在高维空间构建符合物理动力学的连续轨迹,模型不仅能理解当前发生了什么,还能基于物理规律和环境变化,提前推测接下来可能发生的种种状况,再选择最合理的执行方式。从硬件角度看,这套设计的硬件变更不多,但它解决了时间抖动时模型能力大幅下降的问题。在具身领域,多模态融合才是最终的解决方案,既有上限,也能兜底。对库萨来说,研发和工程化并非两件事。单有研发,落不了地;单有工程化,守不住技术门槛。库萨选择将二者结合起来。Kusa Omni - CTS 的结构创新、自研 OS 的底层重构,背后都是扎实的研发功底;而 OS、数据飞轮、全模态融合的耦合,又把研发成果变成了跑得稳、学得快的工程系统。可以说,研发是库萨的基本功,而工程化则是它的杀手锏。三块技术合起来,形成了一个认知进化的闭环。往深一层看,每一个单点技术都有可能在短期内被复制,但 OS、数据飞轮、全模态融合的耦合深度,再乘以城市场景的时间积累,形成了全栈协同的系统性优势,为库萨构筑了独特的护城河。
跑通了吗?
既然上文提到这是一场考试,那么成绩如何更受关注。目前,库萨的具身智能产品已部署到 40 多个城市。从增速看,三年时间从 0 起步,交付规模连续以数倍甚至数十倍的速度扩张,如此陡峭的爬坡曲线,在这个细分赛道里尚无第二家。在中大型开放道路场景,库萨已进入跑通商业模型、产生实际作业价值的常态化运营阶段。但陶圣紧接着就开始“降温”:从存量看,规模化问题还未完美解决。场景泛化能力有待增强,硬件还未经过极端天气考验,产能从单线 500 台提升到 5000 台的里程碑,也还在推进中。他的原话很直白,对行业来说分量也很重:“没有验证之前,都还是打嘴炮。”这是因为量产爬坡从 0 到 1 是突破,1 到 100 是突破,100 到 10000 也是突破,每个阶段面临的问题都不同,很多时候难以说清哪个阶段“更难”。唯一可以确定的是,在这条坡道上,技术迭代一定是由真实需求推动的——真实世界里的长尾场景,永远比预设的多。第一个有说服力的场景,是一根“不起眼”的鱼竿。库萨从市政道路拓展到公园、园区、景区等更靠近人的场景时,有时会碰到钓鱼的人把鱼竿支在那儿,一两厘米粗、孤零零一根。团队以前做的是地面分割,检测水管电线,从未想过空中会有这么细的东西,只能重新采集数据训练。陶圣从中得到一个感悟:在规模化落地之前,大部分技术迭代都是为了应对突然发现的场景,团队不可能一开始就预设到所有问题,这是一个慢慢发现的过程。第二个案例是“书包旁的纸与铅笔”。傍晚,机器人看到书包、纸笔,旁边有学生在跑。凭借这幅画面的语义理解,它能判断前方奔跑的学生可能是文具的主人,书包和文具都属于临时存放,选择不清扫;第二天,书包和人都不在了,同样的一张纸,就会被判定为遗留垃圾。这个场景判断的实现,靠的是大模型对整张图片的语义理解能力,能把人、物、时间、空间关联起来。无论是识别一根鱼竿,还是理解一个放学场景,这些迭代之所以能快速发生、快速部署到机器人体内,背后依靠的是 Corner Factory 的数据飞轮和 Kusa Robo Platform 的通用性。除了长尾场景,平台还要能跨形态切换。平台通用性最有力的证据,是一脑管理多形。同一套栈,短期内就从轮式机器人切换到双轮足式,机械臂控制也从一个轮式车型上的 2 到 3 个自由度,平滑扩展到多自由度。换句话说,平台不会被某一种机器人形态锁死。跨形态适配的难点在于本体动力学差异和控制矩阵差异,库萨的解法是硬件抽象层,把力矩、角度、圈数统一抽象成上层算法看不见的量,再由底层运动学模型转换成可执行的指令。陶圣打了个比方,就像人游泳时不会刻意去想手怎么打水,动作会慢慢变成肌肉记忆;一脑管理多形的奥秘也在于此,大模型管顶层思维,底层小模型负责具体的执行和“肌肉记忆”。
未来平台进化最大的空间在哪?
陶圣给出的回答很明确:还是在大模型。OS 底层枯燥、迭代慢,目前已基本够用,而大模型正在回归数学本质,开始引入物理和数学的硬约束,比如用流体力学描述物理概念嵌入世界模型,让 3D 空间理解成为共识。具身智能的 OS 不会像手机那样一家独大,机器人场景的碎片化程度远超手机和 PC,最后大概率是“多家分天下”。在行业终局到来之前,库萨要做的,就是让城市服务机器人在更多纵深的场景里开箱即用,成为可靠、持续、可规模化的生产力伙伴,让城市的智慧运转变得更加高效、有韧性。



被折叠的 条评论
为什么被折叠?



