一套从真实场景数据采集、模型训练到实际部署的完整闭环！

无人叉车发展了30多年，价格已经从百万元级下降至数万元，市场渗透率却依然困在2%左右。如何让智能叉车真正摆脱低渗透困境，成为行业走向规模应用必须解决的问题。

在近期举行的杭叉科技日上，杭叉集团首席科学家陶熠昆发表主题演讲，系统阐述了杭叉集团对智能叉车行业瓶颈、具身智能技术路线以及商业化落地路径的思考。会上，杭叉正式发布面向精细感知和复杂作业的物流垂直领域具身智能模型LogiMind。

图：杭叉集团首席科学家 陶熠昆

在陶熠昆看来，智能叉车规模化发展的核心瓶颈并非价格，而是传统无人叉车对地图标定、信息化系统和现场改造的高度依赖。为此，杭叉借鉴自动驾驶从“高精地图”向“重感知、轻地图”的技术演进路径，让叉车具备自主感知和智能决策能力，降低部署成本。

围绕这一目标，杭叉推出LogiMind，将毫米级感知、场景结构化理解、跨平台数据复用和远程干预体系融合，推动智能叉车从项目制自动化设备向更易部署、更易使用的智能产品转变。

01.发展30年，智能叉车为何仍困在2%？

无人叉车并非近几年才出现的新产品。

早在20世纪90年代，国内企业便开始利用国外控制器开发叉车AGV。此后，导航方式、控制系统、调度算法和供应链不断成熟，无人叉车的产品价格也从早期的百万元级逐步下降至10万元以内，部分产品售价甚至低于5万元。

但价格持续下降，并未带来市场渗透率的同步提升。

据新战略移动机器人产业研究所相关数据，2019—2025 年，国内人工叉车销量从60.83万台增至145.17万台，无人叉车销量从0.27万台升至3.2万台，对应渗透率由0.44%攀升至2.20%。从另一个角度看，这意味着智能叉车仍存在巨大的潜在替代空间。

在陶熠昆看来，限制智能叉车普及的核心因素主要有两个。

第一个问题是部署复杂。

传统叉车AGV进入现场后，需要由专业人员进行地图构建、路线绘制、交通规则配置和环境调试。在仓储场景中，还需要提前标定成千上万个库位的三维坐标。

一旦货架位置、生产布局或物流路线发生变化，系统往往需要重新配置。整个实施周期通常以月计算，设备采购只是项目开始，后续还伴随着大量工程实施和运维工作。

第二个问题是智能叉车对外部系统依赖较强。

客户最初的需求可能十分直接：购买一台无人叉车，替代一名叉车工。但设备进入现场后，客户通常还需要部署WMS、WCS、RCS等信息化和调度系统，并增加库位检测、信号交互和安全防护设施。

多车协同时，需要系统统一分配任务和规划路线；车辆取放货时，需要外部系统提供库位位置和空满状态；现场还要同步完成物流流程梳理和管理规范改造。

在陶熠昆看来，客户原本只想完成一次设备替代，最终却可能需要推动一轮自动化和信息化改造。这显著提高了客户的决策难度，也限制了智能叉车向更多中小型和非标准化场景渗透。

因此，杭叉希望解决的核心问题，是降低智能叉车对预设地图、精确坐标和外部信息系统的依赖，让车辆依靠自身感知和智能完成更多任务。

02.借鉴自动驾驶，从“重地图”走向“重感知”

对于如何突破智能叉车的应用瓶颈，杭叉将自动驾驶视为重要参照。

陶熠昆认为，自动驾驶是当前具身智能相关技术中商业化程度较高、演进路径相对完整的领域。回顾其发展历程，自动驾驶先后经历了传统算法、深度学习与高精地图、BEV感知，以及端到端与VLA模型等阶段。贯穿其中的一条主线，是车辆逐步减少对预设规则和外部信息的依赖，转向依靠自身感知、理解和决策完成驾驶任务。

早期自动驾驶高度依赖高精地图。车道线、路口、道路边缘和交通标识等信息，需要提前采集并输入控制系统，行业也曾尝试通过车联网、车路协同等方式为车辆补充外部信息。这套路线能够在高速公路等标准化场景率先落地，但地图建设、持续更新和基础设施改造成本较高，也限制了自动驾驶向复杂城市道路扩展。

随着BEV等感知模型出现，自动驾驶逐步进入“重感知、轻地图”阶段。车辆通过摄像头、激光雷达和AI模型实时理解道路环境，过去依赖地图提供的信息，开始由系统自主感知。近年来，端到端和VLA模型进一步打通感知、预测、规划与控制，推动自动驾驶向更强的自主决策能力演进。

在陶熠昆看来，传统叉车AGV当前面临的困境，与自动驾驶早期阶段颇为相似。一方面，叉车AGV需要提前标定地图、路线和货位坐标；另一方面，设备自身对货架、托盘和现场环境的理解能力较弱，需要依赖信息系统和外部传感器获得作业信息。

因此，杭叉希望将自动驾驶的技术范式迁移到智能叉车领域，推动叉车从依赖地图和系统，转向依靠自身感知与智能决策。

在新的作业模式下，叉车需要通过自身传感器实时寻找货架、识别托盘、判断货位状态，并完成路径规划和精细操作。过去需要人工标定、录入信息系统的内容，逐步交由机器人自主感知和理解。智能叉车对地图、信号系统和现场改造的依赖随之降低，部署周期也有望缩短。

这也是杭叉发布LogiMind的核心出发点。通过提升精细感知、场景理解、规划决策和操作能力，LogiMind试图改变传统叉车AGV围绕预设坐标和固定流程运行的方式，进一步降低部署成本和现场改造门槛。

03.不只是看见，LogiMind让机器开始理解真实世界

自动驾驶技术可以为智能叉车提供技术牵引，但陶熠昆也强调，叉车作业面临的部分问题比道路驾驶更加复杂。

自动驾驶主要解决车辆如何在道路中安全移动，而叉车除了移动，还需要完成插取、搬运、堆垛和装卸等精细操作。这意味着，智能叉车对感知精度和物体理解能力提出了更高要求。

其中，最直观的差异是感知精度。

陶熠昆介绍，常见自动驾驶感知模型的误差可能处于10厘米至30厘米量级，部分自动泊车系统的精度约为15厘米。叉车执行插取任务时，货叉需要准确进入托盘孔位，感知误差通常要控制在5毫米至10毫米。

传统几何测量和点云处理方法可以达到较高精度，但对场景变化较为敏感。面对不同规格的托盘、非标准料架、遮挡、点云噪声或障碍物干扰时，识别效果容易下降。

为此，杭叉在LogiMind中自研了SRN结构精化网络，将图像与点云信息融合，并通过多次迭代学习位置估计残差，在真实三维空间中实现毫米级感知。据陶熠昆介绍，该网络能够将感知精度提升至5毫米至10毫米量级，同时增强对复杂托盘和干扰场景的泛化能力。

精确定位托盘只是第一步。进入真实仓库后，智能叉车还需要理解货架这一类大型、复杂物体。

受传感器视野和遮挡影响，叉车往往无法一次获得完整货架信息。LogiMind通过多模态SLAM和短期记忆，将不同位置、不同时间采集的局部信息拼接起来，再利用图像特征增强点云，对货架进行粗定位和结构分析。模型由此可以识别货架层数、层板高度、立柱位置，并判断各货位的空满状态。

这种结构化拆解能力，使叉车获取的不再只是一个货架坐标，而是一组可直接用于决策和操作的场景信息。传统叉车AGV需要外部系统提前告知目标位置和货位状态，LogiMind则希望让车辆通过自身感知主动发现货架、理解货架结构，并据此选择目标货位和执行路径。

陶熠昆认为，这种能力将改变传统叉车AGV的工作方式。过去，车辆依赖外部系统告知“去哪里”和“做什么”；未来，车辆可以通过自身感知获得更多作业信息，并在模型驱动下进行判断。

04.比模型参数更重要的，是真实场景数据和落地能力

在LogiMind的设计中，杭叉并没有将重点放在单纯扩大模型参数规模上。

陶熠昆认为，随着开源模型快速发展，基础模型之间的能力差距正在缩小，单一模型的领先窗口可能只有几个月，甚至短于一个工业项目的落地周期。对于工业智能产品而言，真正决定竞争力的，是数据获取能力、模型迭代效率以及解决真实场景长尾问题的能力。

这也是杭叉选择从真实工业场景出发训练LogiMind的重要原因。

与互联网大模型依靠海量文本数据训练不同，工业具身智能的数据获取成本更高。叉车应用场景复杂，涉及不同车型、不同仓库、不同货物和不同作业流程。如果针对每一款设备单独采集数据、训练模型，成本难以承受。

因此，杭叉将跨车型、跨平台的数据复用作为LogiMind的重要设计方向。

杭叉通过图像特征增强点云作为数据表达方式，并结合虚拟相机、深度估计模型和实时自标定网络，降低不同车型传感器配置差异带来的影响，让不同设备采集的数据能够进入统一数据池，实现模型共享和迁移。

更重要的是，杭叉希望让数据闭环发生在真实工厂中。

在设备实际运行过程中，如果出现异常、故障或者人工接管，系统会自动触发数据采集。这些来自真实作业过程的数据随后进入数据库，经过筛选、挖掘、标注、训练和评测，不断推动模型升级。

对于集装箱卸货等复杂场景，杭叉还进行了专项数据采集。由于运输过程中货物可能出现倾斜、挤压和位移，机器人既需要避免碰撞风险，也不能因为过度保守导致频繁停机。

为此，杭叉采集了上千小时人工卸货数据，让模型学习人工操作过程中对货物状态、碰撞风险和运动轨迹的判断，在安全性和可用性之间寻找平衡。

与此同时，杭叉也在探索真实数据与仿真数据结合。通过3D高斯重建技术，杭叉计划将真实工厂环境数字化，生成带有自动标注能力的仿真数据，进一步降低数据采集成本。根据陶熠昆披露的信息，杭叉未来计划推动约500个工厂参与数据建设，覆盖超过500万平方米真实工业场景。

在落地过程中，杭叉并没有追求一步实现完全无人化，而是采用“模型+安全机制+人工协同”的渐进路径。

LogiMind设置了三套安全回路：主模型负责感知和规划，传统算法负责安全判断，基于人工经验训练的安全模型提供辅助决策。多个回路通过仲裁机制共同控制设备运行，降低模型面对未知情况时的风险。

同时，杭叉通过实时数字孪生和虚拟驾驶室提供远程干预能力。后台人员可以查看车辆实时环境，并通过远程操作处理模型暂时无法解决的问题。

陶熠昆将这种模式称为从“密集操作”转向“稀疏操作”。

传统叉车工需要持续驾驶和操作，而智能叉车完成大部分标准任务后，人员只需要在少数异常情况下介入，并可以同时管理多台设备。按照杭叉设想，未来通过人机协同，一套系统可以将原本20名叉车工的工作转化为2名巡场人员和2名后台安全员共同完成。

在杭叉看来，智能叉车不仅是一个产品升级方向，也是一条进入具身智能时代的重要路径。

除了智能叉车业务外，杭叉也已经开始在人形机器人等更广阔的具身智能领域进行布局，希望将工业场景中积累的数据、算法和落地经验迁移到更多机器人形态中。

结语：

从更长周期看，LogiMind并不仅是一款面向物流场景的垂直模型，更是杭叉集团探索工业具身智能的重要入口。

LogiMind探索的核心，并非单纯提升模型能力，而是建立一套从真实场景数据采集、模型训练到实际部署的完整闭环。通过长期积累工业环境中的感知数据、操作经验和工程能力，杭叉正在构建具身智能落地所需要的底层能力。

在这一过程中，智能叉车只是杭叉切入具身智能的起点。依托成熟工业场景形成的数据和技术积累，杭叉也正在向人形机器人等更广阔的具身智能方向拓展。

未来，随着机器人从执行固定任务的自动化设备，走向能够理解环境、自主决策和完成复杂任务的智能体，真实工业场景将成为具身智能规模化应用的重要试验场。LogiMind也将成为杭叉连接产业需求与通用具身智能探索的重要纽带。