在近期舉行的杭叉科技日上，杭叉集團首席科學家陶熠昆發表主題演講，系統闡述了杭叉集團對智能叉車行業瓶頸、具身智能技術路線以及商業化落地路徑的思考。會上，杭叉正式發布面向精細感知和復雜作業的物流垂直領域具身智能模型LogiMind。
圖：杭叉集團首席科學家 陶熠昆
在陶熠昆看來，智能叉車規模化發展的核心瓶頸并非價格，而是傳統無人叉車對地圖標定、信息化系統和現場改造的高度依賴。為此，杭叉借鑒自動駕駛從“高精地圖”向“重感知、輕地圖”的技術演進路徑，讓叉車具備自主感知和智能決策能力，降低部署成本。
圍繞這一目標，杭叉推出LogiMind，將毫米級感知、場景結構化理解、跨平臺數據復用和遠程干預體系融合，推動智能叉車從項目制自動化設備向更易部署、更易使用的智能產品轉變。
01.
發展30年，智能叉車為何仍困在2%？
無人叉車并非近幾年才出現的新產品。
早在20世紀90年代，國內企業便開始利用國外控制器開發叉車AGV。此后，導航方式、控制系統、調度算法和供應鏈不斷成熟，無人叉車的產品價格也從早期的百萬元級逐步下降至10萬元以內，部分產品售價甚至低于5萬元。
但價格持續下降，并未帶來市場滲透率的同步提升。
據新戰略移動機器人產業研究所相關數據，2019—2025 年，國內人工叉車銷量從60.83萬臺增至145.17萬臺，無人叉車銷量從0.27萬臺升至3.2萬臺，對應滲透率由0.44%攀升至2.20%。從另一個角度看，這意味著智能叉車仍存在巨大的潛在替代空間。
在陶熠昆看來，限制智能叉車普及的核心因素主要有兩個。
第一個問題是部署復雜。
傳統叉車AGV進入現場后，需要由專業人員進行地圖構建、路線繪制、交通規則配置和環境調試。在倉儲場景中，還需要提前標定成千上萬個庫位的三維坐標。
一旦貨架位置、生產布局或物流路線發生變化，系統往往需要重新配置。整個實施周期通常以月計算，設備采購只是項目開始，后續還伴隨著大量工程實施和運維工作。
第二個問題是智能叉車對外部系統依賴較強。
客戶最初的需求可能十分直接：購買一臺無人叉車，替代一名叉車工。但設備進入現場后，客戶通常還需要部署WMS、WCS、RCS等信息化和調度系統，并增加庫位檢測、信號交互和安全防護設施。
多車協同時，需要系統統一分配任務和規劃路線；車輛取放貨時，需要外部系統提供庫位位置和空滿狀態；現場還要同步完成物流流程梳理和管理規范改造。
在陶熠昆看來，客戶原本只想完成一次設備替代，最終卻可能需要推動一輪自動化和信息化改造。這顯著提高了客戶的決策難度，也限制了智能叉車向更多中小型和非標準化場景滲透。
因此，杭叉希望解決的核心問題，是降低智能叉車對預設地圖、精確坐標和外部信息系統的依賴，讓車輛依靠自身感知和智能完成更多任務。
02.
借鑒自動駕駛，從“重地圖”走向“重感知”
對于如何突破智能叉車的應用瓶頸，杭叉將自動駕駛視為重要參照。
陶熠昆認為，自動駕駛是當前具身智能相關技術中商業化程度較高、演進路徑相對完整的領域。回顧其發展歷程，自動駕駛先后經歷了傳統算法、深度學習與高精地圖、BEV感知，以及端到端與VLA模型等階段。貫穿其中的一條主線，是車輛逐步減少對預設規則和外部信息的依賴，轉向依靠自身感知、理解和決策完成駕駛任務。
早期自動駕駛高度依賴高精地圖。車道線、路口、道路邊緣和交通標識等信息，需要提前采集并輸入控制系統，行業也曾嘗試通過車聯網、車路協同等方式為車輛補充外部信息。這套路線能夠在高速公路等標準化場景率先落地，但地圖建設、持續更新和基礎設施改造成本較高，也限制了自動駕駛向復雜城市道路擴展。
隨著BEV等感知模型出現，自動駕駛逐步進入“重感知、輕地圖”階段。車輛通過攝像頭、激光雷達和AI模型實時理解道路環境，過去依賴地圖提供的信息，開始由系統自主感知。近年來，端到端和VLA模型進一步打通感知、預測、規劃與控制，推動自動駕駛向更強的自主決策能力演進。
在陶熠昆看來，傳統叉車AGV當前面臨的困境，與自動駕駛早期階段頗為相似。一方面，叉車AGV需要提前標定地圖、路線和貨位坐標；另一方面，設備自身對貨架、托盤和現場環境的理解能力較弱，需要依賴信息系統和外部傳感器獲得作業信息。
因此，杭叉希望將自動駕駛的技術范式遷移到智能叉車領域，推動叉車從依賴地圖和系統，轉向依靠自身感知與智能決策。
在新的作業模式下，叉車需要通過自身傳感器實時尋找貨架、識別托盤、判斷貨位狀態，并完成路徑規劃和精細操作。過去需要人工標定、錄入信息系統的內容，逐步交由機器人自主感知和理解。智能叉車對地圖、信號系統和現場改造的依賴隨之降低，部署周期也有望縮短。
這也是杭叉發布LogiMind的核心出發點。通過提升精細感知、場景理解、規劃決策和操作能力，LogiMind試圖改變傳統叉車AGV圍繞預設坐標和固定流程運行的方式，進一步降低部署成本和現場改造門檻。
03.
不只是看見，LogiMind讓機器開始理解真實世界
自動駕駛技術可以為智能叉車提供技術牽引，但陶熠昆也強調，叉車作業面臨的部分問題比道路駕駛更加復雜。
自動駕駛主要解決車輛如何在道路中安全移動，而叉車除了移動，還需要完成插取、搬運、堆垛和裝卸等精細操作。這意味著，智能叉車對感知精度和物體理解能力提出了更高要求。
其中，最直觀的差異是感知精度。
陶熠昆介紹，常見自動駕駛感知模型的誤差可能處于10厘米至30厘米量級，部分自動泊車系統的精度約為15厘米。叉車執行插取任務時，貨叉需要準確進入托盤孔位，感知誤差通常要控制在5毫米至10毫米。
傳統幾何測量和點云處理方法可以達到較高精度，但對場景變化較為敏感。面對不同規格的托盤、非標準料架、遮擋、點云噪聲或障礙物干擾時，識別效果容易下降。
為此，杭叉在LogiMind中自研了SRN結構精化網絡，將圖像與點云信息融合，并通過多次迭代學習位置估計殘差，在真實三維空間中實現毫米級感知。據陶熠昆介紹，該網絡能夠將感知精度提升至5毫米至10毫米量級，同時增強對復雜托盤和干擾場景的泛化能力。
精確定位托盤只是第一步。進入真實倉庫后，智能叉車還需要理解貨架這一類大型、復雜物體。
受傳感器視野和遮擋影響，叉車往往無法一次獲得完整貨架信息。LogiMind通過多模態SLAM和短期記憶，將不同位置、不同時間采集的局部信息拼接起來，再利用圖像特征增強點云，對貨架進行粗定位和結構分析。模型由此可以識別貨架層數、層板高度、立柱位置，并判斷各貨位的空滿狀態。
這種結構化拆解能力，使叉車獲取的不再只是一個貨架坐標，而是一組可直接用于決策和操作的場景信息。傳統叉車AGV需要外部系統提前告知目標位置和貨位狀態，LogiMind則希望讓車輛通過自身感知主動發現貨架、理解貨架結構，并據此選擇目標貨位和執行路徑。
陶熠昆認為，這種能力將改變傳統叉車AGV的工作方式。過去，車輛依賴外部系統告知“去哪里”和“做什么”；未來，車輛可以通過自身感知獲得更多作業信息，并在模型驅動下進行判斷。
04.
比模型參數更重要的，是真實場景數據和落地能力
在LogiMind的設計中，杭叉并沒有將重點放在單純擴大模型參數規模上。
陶熠昆認為，隨著開源模型快速發展，基礎模型之間的能力差距正在縮小，單一模型的領先窗口可能只有幾個月，甚至短于一個工業項目的落地周期。對于工業智能產品而言，真正決定競爭力的，是數據獲取能力、模型迭代效率以及解決真實場景長尾問題的能力。
這也是杭叉選擇從真實工業場景出發訓練LogiMind的重要原因。
與互聯網大模型依靠海量文本數據訓練不同，工業具身智能的數據獲取成本更高。叉車應用場景復雜，涉及不同車型、不同倉庫、不同貨物和不同作業流程。如果針對每一款設備單獨采集數據、訓練模型，成本難以承受。
因此，杭叉將跨車型、跨平臺的數據復用作為LogiMind的重要設計方向。
杭叉通過圖像特征增強點云作為數據表達方式，并結合虛擬相機、深度估計模型和實時自標定網絡，降低不同車型傳感器配置差異帶來的影響，讓不同設備采集的數據能夠進入統一數據池，實現模型共享和遷移。
更重要的是，杭叉希望讓數據閉環發生在真實工廠中。
在設備實際運行過程中，如果出現異常、故障或者人工接管，系統會自動觸發數據采集。這些來自真實作業過程的數據隨后進入數據庫，經過篩選、挖掘、標注、訓練和評測，不斷推動模型升級。
對于集裝箱卸貨等復雜場景，杭叉還進行了專項數據采集。由于運輸過程中貨物可能出現傾斜、擠壓和位移，機器人既需要避免碰撞風險，也不能因為過度保守導致頻繁停機。
為此，杭叉采集了上千小時人工卸貨數據，讓模型學習人工操作過程中對貨物狀態、碰撞風險和運動軌跡的判斷，在安全性和可用性之間尋找平衡。
與此同時，杭叉也在探索真實數據與仿真數據結合。通過3D高斯重建技術，杭叉計劃將真實工廠環境數字化，生成帶有自動標注能力的仿真數據，進一步降低數據采集成本。根據陶熠昆披露的信息，杭叉未來計劃推動約500個工廠參與數據建設，覆蓋超過500萬平方米真實工業場景。
在落地過程中，杭叉并沒有追求一步實現完全無人化，而是采用“模型+安全機制+人工協同”的漸進路徑。
LogiMind設置了三套安全回路：主模型負責感知和規劃，傳統算法負責安全判斷，基于人工經驗訓練的安全模型提供輔助決策。多個回路通過仲裁機制共同控制設備運行，降低模型面對未知情況時的風險。
同時，杭叉通過實時數字孿生和虛擬駕駛室提供遠程干預能力。后臺人員可以查看車輛實時環境，并通過遠程操作處理模型暫時無法解決的問題。
陶熠昆將這種模式稱為從“密集操作”轉向“稀疏操作”。
傳統叉車工需要持續駕駛和操作，而智能叉車完成大部分標準任務后，人員只需要在少數異常情況下介入，并可以同時管理多臺設備。按照杭叉設想，未來通過人機協同，一套系統可以將原本20名叉車工的工作轉化為2名巡場人員和2名后臺安全員共同完成。
在杭叉看來，智能叉車不僅是一個產品升級方向，也是一條進入具身智能時代的重要路徑。
除了智能叉車業務外，杭叉也已經開始在人形機器人等更廣闊的具身智能領域進行布局，希望將工業場景中積累的數據、算法和落地經驗遷移到更多機器人形態中。
結語：
從更長周期看，LogiMind并不僅是一款面向物流場景的垂直模型，更是杭叉集團探索工業具身智能的重要入口。
LogiMind探索的核心，并非單純提升模型能力，而是建立一套從真實場景數據采集、模型訓練到實際部署的完整閉環。通過長期積累工業環境中的感知數據、操作經驗和工程能力，杭叉正在構建具身智能落地所需要的底層能力。
在這一過程中，智能叉車只是杭叉切入具身智能的起點。依托成熟工業場景形成的數據和技術積累，杭叉也正在向人形機器人等更廣闊的具身智能方向拓展。
未來，隨著機器人從執行固定任務的自動化設備，走向能夠理解環境、自主決策和完成復雜任務的智能體，真實工業場景將成為具身智能規模化應用的重要試驗場。LogiMind也將成為杭叉連接產業需求與通用具身智能探索的重要紐帶。
