鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

慧思开物全局调度,北京人形推出全国首个全自主无人化导览解决方案

编程导航
编程导航
2025-12-11 14:19
阅读 0
编程导航
2025-12-11 14:19
阅读 0

深度整合全自主导览、拟人化交互、多机调度、全局 IOT 联动等关键能力

12 月 11 日,北京人形机器人创新中心发布全国首个全自主无人化人形机器人导览解决方案。该方案以 “慧思开物” 通用具身智能平台为核心支撑,深度整合全自主导览、拟人化交互、多机调度、全局 IOT 联动等关键能力,可覆盖展厅导览、商场导购、业务讲解、文旅景区等多元场景,为人形机器人规模化落地导览导购场景奠定关键基础。

具身天工机器人实现 “全自主” 导览的核心,是 “慧思开物” 平台打造的 “感知 – 决策 – 执行” 全链路闭环技术体系,依托 AI 大模型驱动的具身 “大脑”、数据驱动的具身 “小脑”,搭配多模态融合感知系统,三者协同让机器人彻底摆脱人工遥控,实现导览全流程独立运作。

慧思开物全局调度,北京人形推出全国首个全自主无人化导览解决方案

首先是多模态融合感知系统作为 “感知基石”,该系统通过创新地融合多模态传感器信息,能够精准捕捉环境中的语义属性与几何特征,为导览机器人的任务规划和导航决策提供关键技术支撑。在导览过程中,导览机器人能够识别区分人流、展品、障碍物等目标,并实现精准导航和稳定移动。

在此基础上,AI 大模型驱动的具身 “大脑” 发挥 “决策核心” 作用,预载导览场景逻辑并自主拆解导览任务为多个子任务,下发給具身“小脑”执行。大脑还能够支持机器人解答观众现场提出的各种问题,并以手势、语音等方式与观众充分互动。

数据驱动的具身 “小脑” 承担 “执行终端” 职责,通过端到端技能执行模型,精准优化步态参数与动作协同,确保 “大脑” 的决策能精准落地。具身“小脑”还能够实时分析环境数据,遇人流拥堵时自动启动路径重新规划,实现任务与环境的动态适配。最终形成从环境感知、任务决策到动作执行的完整闭环,让全自主无人化导览真正走进现实。

得益于“慧思开物”平台的全域互联能力,让导览机器人成为场景智能中枢。依托平台兼容 MQTT、TCP/IP 等主流协议的开放接口,导览机器人可自主完成对全场景 IOT 设备的精准操控,无需人工干预即可实现导览与演示的无缝衔接。当导览机器人引导宾客抵达核心展区时,平台自主触发指令:控制展区灯光、大屏幕自动切换视频、场景演示内容同步启动演示,整个联动过程响应延迟低至 50 毫秒以内。

慧思开物全局调度,北京人形推出全国首个全自主无人化导览解决方案

而 “多机协作” 能力的落地,可通过“慧思开物”多智能体调度机制,根据导览场景需求自主调用其他演示机器人,实现了导览从“单点讲解” 到 “多机联动” 的升级。“慧思开物”平台“一脑多机”、“一脑多能”的特性,则让该解决方案可适配“具身天工2.0”、“天轶2.0”等多种机型,完成包括导览、物料搬运、物料倒料、物料分拣等多场景的不同任务。

例如在展厅演示区,导览机器人进行工业应用场景的讲解时,可通过慧思开物平台向“具身天工2.0”、“天轶2.0”等其他机器人下达指令,使其全自主演示物料搬运、倒料、分拣、打包等任务。这种协同模式使整个讲解过程摆脱了人类操作员干预,实现了多台机器人全自主协同配合,完成导览演示任务。

慧思开物全局调度,北京人形推出全国首个全自主无人化导览解决方案

此次解决方案的发布,不仅展现了人形机器人在导览导购场景的规模化应用潜力,更验证了 “慧思开物” 作为整体调度中枢的平台能力,标志着人形机器人导览正式迈入 “全自主、无人化” 的新阶段。未来,该方案可广泛应用于展厅导览、商场导购、业务讲解、文旅景区等场景,通过多机协同与全域联动,为用户带来更专业、更生动的智能服务体验。

版权所有,未经授权不得以任何形式转载及使用,违者必究。
原文链接: 慧思开物全局调度,北京人形推出全国首个全自主无人化导览解决方案
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230