機器人自主定位導航聽起來簡單，地圖資料+演算法的結合，實則挑戰巨大。在落地實踐的過程中，需要解決各種各樣的問題，越過各式各樣的坑，才能最終完美應用。

首先從地圖的呈現方式開始說起。

挑戰一：使用者心理預期地圖的問題

鐳射雷達充當著機器人的“眼睛”，能為機器人提供高精度的地圖及輪廓位置資訊，但其實，所掃描出來的平面地圖跟使用者心理預期地圖存在較大差距。

很顯然，上面是兩種完全不同的地圖呈現。思嵐在面對使用者這一心理落差的時候，利用精細化建圖技術，縮小實際建圖與使用者心理落差之間的距離。

先展示一下利用SharpEdge精細化建圖技術的建圖效果。

這是一個實際案例中300的家庭地圖，沒有做任何PS處理，直接從機器人中生成。邊緣非常規整，沒有任何噪點，可以直接用於展示，不需要二次的修正。

同樣是SLAM的建圖，思嵐繪製的地圖縮小了與使用者心理的差距，也提高了定位導航的效率。同時，思嵐還支援超大場景下的地圖構建，形成完美閉環。

100000+ 超大場景建圖

解決了地圖呈現方式問題之後，我們再回歸到老本行上——機器人可靠的障礙物規避。

挑戰二：障礙物的有效規避

很多人在看到機器人的時候，一是出於好奇，二是內心的“小惡魔”，總想逗一逗他，看看是不是真的智慧，於是便會故意擋在他前面，不讓他走。這時候，我們不僅需要鐳射雷達，還需要多感測器資料的融合，實現有效避障和自主導航。

除了利用感測器避障之外，還可以利用RoboStudio開發軟體來幫助機器人更好的理解環境中的邏輯。比如，有些地方是不希望機器人進入的，如：機場場景下的行人扶梯在維護，不希望機器人進去，這時候，我們就可以畫一道虛擬牆，“阻攔”機器人進入，無需任何實物鋪設，簡單易操作。

解決完地圖呈現和避障這兩件事之後，就需要更多考慮機器人在實際場景中的應用問題。

挑戰三：環境完全變化後的可靠定位

環境完全變化後的可靠定位說簡單點就是重定位。重定位有兩個問題，第一個是人啟動的時候重定位，還有一種重定位是環境變化非常多的時候可靠定位。

其實這些情況在應用中還是非常常見的，如：商場中的人流量巨大、環境不停變化。這就要求機器人知道自己在哪裡，該去哪裡，該怎麼走，即使被一群人圍著，也不能發生“暈頭轉向”，“歇菜”、“定位偏”這種問題。

這個時候，看我們思嵐如何“治他”。首先，靠單一的感測器肯定不能解決所有的問題，比如別人把鐳射雷達擋住了，鐳射雷達的資料就起不了作用了。但是，我們不怕，我們還有其他的感測器，所以就用感測器和建立概率模型來解決問題。這樣的話，也解決了一個實際問題，這個對於服務機器人廠商來說是非常好的。

挑戰四：全域性重定位

全域性重定位一般在行業中有幾個解決方案，第一個是使用UWB，但是這個技術有一個缺點，必須對環境進行佈置，比如把它放在一個場景，需要預先在場景裡很多地方預埋信標，這在成本和部署上有一定的挑戰。還有一種是完全自主重定位，無需額外感測器輔助。思嵐所做的就是後者，當機器人被推離或者出現位姿偏差時，可使用Robo Studio中的重新定位功能，糾正位姿錯誤。

最後，就要說到一個不得不提到的問題，那就是多場景適配的問題。

挑戰五：多場景適配

未來，機器人想要深入到各行各業，應用於各種場景中時，肯定會面臨多場景適配的問題。人來人往的商場、多樓層的酒店配送……，這些都需要機器人具備場景的自由切換能力。

就拿如何讓機器人感知到是在某一個具體樓層開展工作來說，這些都是目前導航定位系統中需要解決的問題，需要越過的坑。

這個就需要行業的整合，不單是把導航定位系統做好，還要針對電梯的通訊協議，不同樓層之間感應到樓層的切換。這從細節上來說，還要考慮使用者心理的問題，因為有時候電梯人很多，機器人該怎麼進去？這些都是需要考慮的現實問題。

在越過這些坑之後，機器人自主定位導航解決方案才能真正inside到各種產品中去，實現落地，實現商業化的運作。而思嵐，絕對是你一個不錯的選擇。