智联海割草机器人的定位、建图与路径规划：传感器分工与地图类型
定位与导航是两件事
在割草机器人里，“定位”回答的是“我现在在哪、朝向哪里”，“导航”回答的是“接下来往哪走”。两者经常被合在一起说，但工程上是分层处理的：定位模块持续输出位置与姿态估计，地图模块维护环境表示，路径规划模块根据地图与作业约束生成行进路线，控制模块再把路线变成左右轮的速度指令。任何一层出错，表现出来的现象都可能相似——漏割、压边、卡住或者在原地打转。
两条基本线路：绝对定位与相对定位
位置估计的方法可以粗略分成两类。绝对定位给出的是机器人在某个全局坐标系中的位置，典型来源是卫星导航、地面信标与已知道路上的视觉地标；它的优点是不会随时间累积漂移，缺点是依赖外部条件——卫星信号会被遮挡，信标需要布设，视觉地标需要环境特征。相对定位则是从自身运动推算位置，典型来源是轮式里程计与惯性测量单元；它不依赖外部设施，短时间内精度高，但误差会累积，走的时间越长、打滑越多，位置估计偏得越远。
因此实际产品几乎都采用融合方案：用绝对定位定期纠正相对定位的累积误差，用相对定位在绝对定位短暂失效时接管。这正是同步定位与建图（SLAM）要解决的核心问题——机器人在不知道地图的情况下移动，同时估计自己的位置并构建地图，两件事互为条件、必须一起求解。公开的机器人学资料把它作为移动机器人自主导航的基础问题来介绍。
传感器各自负责什么
- 卫星定位接收机：提供全局位置。单点定位的精度对割草作业来说通常不够，因此需要差分改正。
- RTK 差分链路：实时动态定位（RTK）利用载波相位观测值，通过基准站或网络播发的改正数把定位精度提升到厘米级。改正数可以来自自建基准站，也可以来自网络 RTK 服务。GNSS 增强系统的公开资料，把这类“把改正信息传给用户接收机”的机制作为核心来介绍。
- 惯性测量单元与轮式里程计：提供短时间内的姿态与位移变化，用于平滑轨迹、在遮挡期间维持估计。
- 摄像头：获取纹理与语义信息，用于识别边界与障碍物类别，也可以直接参与视觉建图做特征匹配定位。
- 激光雷达：输出环境的几何点云，对光照不敏感，能给出较精确的距离与轮廓，适合做障碍物检测与几何建图。
- 接触与非接触式防撞传感器：碰撞传感器、超声波或红外测距，用于近距离补盲。
- 辅助传感器：抬起检测、倾角、雨量与电量传感，用于安全停机与作业决策。
这些传感器的价值在于互补。卫星定位在多路径与遮挡环境下会跳变，激光雷达在雨雾与强反光表面会受影响，摄像头在极暗或强逆光下会失效，惯性单元会漂移。融合的意义不是“哪一个最好”，而是让不同的失效模式互相兜底。
地图是怎么建出来的
建图要解决的是“把感知结果整理成机器可以使用的环境表示”。常见的表示方式有三类：栅格地图把空间切成小格子，标记可通行、障碍与未探索区域；特征地图保存的是提取出的角点、线段等特征及其位置；拓扑地图则把空间抽象成节点与连接关系。割草机器人对地图的要求与室内清洁机器人不同：作业区域往往面积大、特征弱、边界需要人为定义，因此很多产品采用“边界定义加局部障碍地图”的组合方式。
建图流程一般包括：用户通过应用引导机器人沿边界走一圈完成示教，或在首次作业中自动探索生成初步地图；机器人把定位轨迹与感知结果叠加成区域轮廓；用户在应用中修正区域划分与禁入区；之后每次作业都在这张地图上规划路线。地图不是一次成型的，草坪变化、新增花坛或临时摆放的家具都会让地图与实际产生偏差，因此是否支持便捷的重新建图与局部编辑，是长期使用体验的关键之一。
路径规划：随机碰撞式与规划式
早期的割草机器人多采用随机碰撞式路径：没有地图，靠直线行走、碰到边界或障碍就随机转向的方式逐步覆盖区域。这种策略实现简单、对定位精度要求低，但覆盖效率取决于时间，同一块草坪需要反复经过才能基本覆盖，且覆盖率没有确定性保证。
规划式路径先建图再规划，常见做法是把作业区域分解为若干子区域，在每个子区域内按平行直线往返推进，也就是文献中常说的牛耕式分解。学界针对割草机器人的覆盖路径规划有不少公开研究，例如有论文专门讨论基于牛耕式分解的简单覆盖路径规划方法，目标就是让覆盖更完整、重复行走更少。相比随机式，规划式的优势是覆盖更可预期、单位面积能耗更低；代价是需要可靠的定位与地图，定位一旦漂移，规划出来的路线就会整体偏移。
覆盖效率应该怎么衡量
评价路径规划时，有三个量比“走得快不快”更关键：覆盖率，即实际修剪到的面积占应修剪面积的比例；重复率，即同一块区域被反复经过的程度；以及漏割区的位置与面积。面积越小、形状越规则、障碍越少，随机式与规划式的差距越不明显；草坪被分割成多个小区域、树池与花坛较多时，规划式的优势才会明显体现。这也提醒使用者：厂商给出的建议作业面积，通常是在理想路径与理想场地条件下估算的，实际所需时间要按自家草坪的形状与障碍密度重新评估。
常见失效场景
- 树荫、建筑外墙与围墙附近：卫星信号被遮挡或产生多路径反射，定位跳变。
- 草坪过于空旷或纹理重复：视觉特征不足，视觉定位容易退化。
- 光照剧变、逆光与夜间：摄像头可用性下降，需要依赖其他传感器。
- 雨后湿滑与松软地面：轮子打滑，里程计推算误差快速累积。
- 陡坡与湿草：行走能力下降，可能导致覆盖中断或滑出区域。
- 强磁或大型金属结构附近：可能影响磁力计等传感器的姿态估计。
这些场景不是产品缺陷，而是物理限制。理解它们有助于安排作业时间——例如把作业排期放在光照稳定、草坪干燥的时段，并在信号遮挡严重的区域考虑用实体边界或地面导线做补充。
回充对接为什么也是一道定位题
自动回充要求机器人在电量阈值附近找到充电站并完成对接，这本质上是一个近距离高精度定位任务。常见做法包括在充电站附近设置信标或视觉标记、利用已建地图的已知站点坐标导航到附近，再用近距离传感器完成最后一段对位。对接失败的典型原因，是站点周围地面不平、站体位置在长期使用中发生位移，或者到达时电量过低导致机动余量不足。
选型时可以这样提问
- 定位是单源还是多源融合？分别用了哪些传感器？
- 差分改正来自自建基准站还是网络服务，服务是否持续可用？
- 支持哪种地图编辑方式，能否方便地重划区域与禁入区？
- 路径是随机式还是规划式，是否支持按区域顺序作业？
- 在自家草坪最糟糕的位置，例如楼角与树下，定位表现如何？
把定位与建图理解成一套“感知—表示—决策”的链条，而不是一个孤立的功能名词，选型判断会清晰很多。