你对机器人说一句"跟着我拍"，它就跟在你身后：你拐弯它拐弯，你停下它停下，你走到沙发后面被挡住了，它绕个圈又能把你找回来；到了晚上，你说一句"回去充电吧"，它自己摸黑回到充电座。
听起来理所当然，但你细想一下，它得先回答四个问题：我在哪？你是谁？周围的东西在哪？我该往哪走？这四个问题，任何一个答不上来，它要么原地打转，要么一头撞进沙发。
这篇文章不讲玄学，带你看懂机器人的"感知系统"——它用什么"眼睛"看世界，怎么把家里的户型画出来，怎么在人群里认出你、跟住你，以及启元 Q1、T1 这类个人机器人，是怎么在一个不断变化的家里做到这些的。
一、机器人看到的不是"画面"，是一堆数字
先纠正一个直觉：机器人"看"，和你"看"完全不是一回事。
你睁开眼，世界自动就是立体的、有意义的——你一眼看见沙发、猫、孩子、掉在地上的积木。但机器人的摄像头拿到的，只是一张由像素组成的数字表格：一张普通高清画面大约有 200 万个像素点，每个点只有一个颜色值。
注意，这堆数字里没有距离、没有物体、更没有"你"。摄像头不知道远处那个方块是电视机还是墙，不知道猫离它有多远，也不知道站在画面中间的人是主人还是陌生人。这些全都要靠算法，一帧一帧地"算"出来。
所以"看得见"和"看懂了"之间，隔着一整套感知系统。它通常要分四步走：测距离 → 认东西 → 定位置 → 跟住人。
二、它怎么知道东西离我多远？三种"眼睛"
人能看出远近，靠的是两只眼睛的"视差"：同一个物体在左右眼里的位置略有不同，大脑据此估算距离。机器人想获得立体感，常见有三种方案。
第一种：双目立体视觉。给它装两个摄像头，像人两只眼一样比对画面差异，算出每个点的距离。成本低、能认出物体，但对光线和纹理比较敏感，白墙、暗光下容易"看不准"。
第二种：结构光 / ToF。主动往环境里"打光"：结构光打出一片红外斑点，看斑点怎么变形来反推距离；ToF（飞行时间）则是发射一束光，测它飞出去再弹回来花了多久，光跑得越快说明物体越近。手机的人脸解锁、扫地机的避障，很多用的就是这类。
第三种：激光雷达。用激光一圈一圈地扫描，直接得到周围一圈物体的精确距离，拼成"3D 点云"。它测得准、不怕黑，但成本高、机械部件多，而且只知道"那儿有个形状"，不知道那是猫还是卷起来的袜子。
还有一条越来越主流的路线：单目视觉 + AI。只用一个普通摄像头，靠连续多帧画面之间的运动，加上神经网络的经验，直接"估计"出深度和距离。它不追求单个传感器多贵，而是用算力和模型去补硬件——这也是消费级机器人能把价格打下来的关键思路之一。
三、它怎么知道"这是什么"？——从像素到物体
有了距离，接下来得知道面前这个东西是什么。这里主要靠两类神经网络：
目标检测：在画面里把物体一个个框出来，标注"这是人、这是猫、这是杯子、这是沙发"；
语义分割：更细，给画面里的每一个像素都打上标签——这一块是地板、这一条是台阶边缘、这一片是地毯、那一整面是可能撞上的玻璃门。
这些能力不是人写规则写出来的，而是模型"看"了海量标注图片后学来的。对一台要在屋里走动的机器人来说，语义分割尤其关键：它得认出台阶的边缘才不会踩空，认出玻璃门的反光才不会一头撞上去，认出地毯和地板的交界，才知道该换什么样的步态。
怎么认出"你"？靠的是身份识别：人脸特征对应"这个人是谁"，声纹特征对应"这个声音是谁"。把家庭成员的脸、声音注册进去，机器人就能区分这是该跟随的小主人，还是来串门的客人。这也是为什么它可以"只听你的话"。
四、它怎么知道"我在哪"？——边逛边画地图
设想你蒙着眼走进一间陌生的房子，要一边摸一边走，还得随时知道自己走到了哪。机器人在陌生家里的处境差不多，解决办法叫SLAM（同时定位与建图）。
这名字听着绕，其实是个"鸡生蛋、蛋生鸡"的问题：要有地图才能知道自己在哪，而要画地图又得先知道自己在哪。SLAM 的做法是同时进行：机器人一边移动、一边用摄像头（或激光）寻找画面里的特征点，通过前后帧之间特征点的变化，推算自己移动了多少、转了多少，顺手把走过的地方拼进一张地图；同时，IMU（感知加速度和转动的小传感器）和轮子里程计也在帮它"数步子"。
更聪明的是，现在的机器人不满足于画一张冷冰冰的几何地图，而是在做语义地图：地图上不光标着"这里有面墙、那里有个障碍"，还标着"这是厨房、那是沙发、你的充电座在角落、孩子房间在二楼"。有了语义地图，它才听得懂"去厨房帮我拿瓶水"，也才能在低电量时自己规划路线、导航回充。
打个比方：普通扫地机画的是一张"户型线稿"，而具身机器人想要的是一张"带标注的生活地图"——知道每个房间是干嘛的。
五、它怎么在人群里"跟住你"？——这是最难的一步
"跟着我"三个字，是感知系统的综合考试。
机器人先通过人体检测在画面里找到人，再锁定你这一个目标，然后持续跟踪——保持一个安全距离、预判你往哪走、你停下它也停、你绕过桌子它也跟着绕。这背后要同时调动识别、测距、定位和运动控制。
真正的难点，是现实总在"捣乱"：
你走到另一个人后面，被挡住了，它跟丢了怎么办？
你换了件衣服，光线暗了下来，它还认不认得你？
满屋子都是人，它怎么确定哪个是你，而不是跟着别人跑了？
这就要用到目标重识别（ReID）：机器人会记住你的体型、步态、穿着等特征，一旦你被短暂遮挡、再出现，它能把你"重新认出来"，而不是把你当成一个陌生人。配合声纹和语音召唤，即使它一时没看到你，听到你喊一声，也能朝声音方向找过来。
启元 T1 把这套跟随能力拆成了四种模式：智能跟随（孩子在前面走，它自己跟着）、导航移动（让它自主去指定位置）、牵手随行（牵着它一起走）、指令行走（语音指挥移动）。你喊一句"跟着我拍"，它还能一边保持距离、一边自动运镜，把旅行、亲子时刻拍下来。
六、为什么说"家"才是感知的地狱难度？
工厂里的机器人为什么显得"笨"却能干活？因为它的环境是固定的：东西摆在哪、光线多亮、人离多远，全是设计好的。
家恰恰相反，它是动态的、杂乱的、还会变的：孩子满地跑，玩具到处是，清晨和傍晚的光线差很多，地上有反光、玻璃、台阶、地毯，家具还时不时被挪位置。任何一次感知漏检或延迟，都可能变成"撞到人"。
如果机器人还会变形，难度再上一个台阶。启元 T1 约 1 米高的轮足人形形态，和趴下来的四足形态，摄像头高度、视野角度完全不同——同一个家，在两种形态下看起来几乎是"两个世界"。它既要能在站姿下认路、跟随，又要在四足爬楼时识别台阶和坡，全程还不能"断片"。
这就对感知模型提出了一个特殊要求：必须跨形态统一理解同一个环境。
七、启元的感知答卷：PrimeGo 和 PrimeVista
回到具体产品。启元 T1 依托自研的Transformer 跨形态一体架构，用一套统一系统统筹机身结构、关节、动力、感知与交互，让"环境识别 → 形态切换 → 任务执行"一体化运行。感知相关的能力，主要由两个模型承担：
PrimeGo 多模态感知跟随模型：负责"看环境、认路、跟人"。它支持机器人在人形和四足两种形态下进行环境理解与跟随控制，适配地毯、楼梯等不同家庭路况——这正是前面说的"跨形态统一感知"。发布会上，T1 演示了自己走出包装箱、遇到台阶自动切换四足、跨过去再恢复人形，全程没有遥控器。
PrimeVista 多模态交互模型：负责"听懂你、认出你"。它依托视觉和语音等多模态交互，承载身份识别、声纹识别、"跟着我拍"这类语音指令，以及远程视频通话、远程查看家中情况等能力。
在硬件和算力上，启元 Q1 公开的传感器以单目摄像头、触摸传感器为主，配合麦克风阵列，把环境理解的主要工作交给视觉模型；更高配的 T1 Pro 新增了英伟达 Orin Nano 算力芯片，支持双形态360° 全向避障，并新增低电量自动导航回充、语音召唤、跟随载物等功能。
把感知要回答的四个问题和启元能力对应起来，是这样的：
| 机器人要回答的问题 | 背后的技术 | 启元的对应能力 |
|---|---|---|
| 我在哪？ | SLAM 建图与定位、语义地图 | 导航移动、记住家里户型、低电量自动回充 |
| 你是谁？ | 人脸识别、声纹识别 | 身份识别、声纹识别、只响应主人的语音召唤 |
| 东西在哪？ | 目标检测、语义分割、测距 | 识别台阶/地毯/障碍，双形态 360° 全向避障（T1 Pro） |
| 怎么跟住你、找到你？ | 目标跟踪、重识别、路径规划 | 智能跟随、牵手随行、跟随拍摄，被遮挡后重新跟上 |
需要说明的是，更彻底的"全场景空间认知"和"自己理解任务、自主干活"，还依赖启元研究院在研的家务基座大模型 PrimeMind 与 Harness 智能体（目前官方口径是"将进一步推进落地"）。而"感知"这一层——认路、认人、跟随、避障——已经是这批量产机器人最先成熟、最先走进家门的能力。
八、开发者：感知能力，也能被你"再创作"
感知系统不是封闭的。对开发者来说，启元 Q1 探索版开放了 SDK、HDK 和硬件扩展接口，桌面端工作台可以直接查看机器人的实时视频流和运行日志，这意味着你可以在官方感知能力之上，开发自己的 Skill：
找东西：让它识别并找到特定物体，比如"帮我看看眼镜放在哪、猫躲在哪个房间"；
自定义跟随 / 运镜：调整跟随距离、角度，做出更有创意的拍摄轨迹；
家庭巡检：按设定路线巡视房间、检查门窗、移动查看；
远程看家：结合远程视频和移动控制，在外面也能让它走到你想看的地方；
外接新传感器：通过 HDK 扩展接口，接入你自己的环境传感设备。
开发路径和 VLA 那篇讲的一样：先在桌面端仿真和看视频流验证，再连真机测试，跑通后把 Skill 发布到 PrimeSkillHub 分享、或上架 PrimeStore。感知数据是机器人最"原始"的输入，谁能在这些数据上想到新玩法，谁就能给它长出新的"眼睛"。
最后一句话
我们常以为机器人聪明是因为"会想"，但它得先"看得到、认得出、记得住"，才有资格谈会想。
感知不是装一个摄像头那么简单，而是让一台机器在一个不断变化、充满意外的家里，时刻回答四个问题：我在哪、你是谁、东西在哪、我该往哪走。它能稳稳地跟在你身后、在台阶前趴下、在没电时自己回家——靠的都不是巧合，而是无数个像素被一帧一帧地算成了"世界"。
认路和认人，只是机器人敢走进你家的第一步。下一步，才是真正帮你干活。
启元机器人开发者社区 ：启元机器人开发者社区 · 一站式具身智能研发平台
参考资料
新华网《上纬新材发布可变形个人机器人启元 T1，将亮相 2026 世界人工智能大会》
新华网《启元个人机器人正式发售，售价 19999 元起，AI 模型、生态布局同步公布》
中国经济网《上纬新材启元机器人发布两款个人机器人 布局消费级具身智能生态》
重庆晨报（新浪财经转载）《售价 19999 元起 全球首个可变形个人机器人来了》
央视网《启元 T1 正式亮相 将于 WAIC 2026 首秀》
36 氪《具身智能，开始当消费品卖了》
启元机器人开发者社区 dev.primebot.com
SLAM、双目立体视觉、ToF、目标检测、目标重识别等概念为机器人学与计算机视觉通用知识
