服务机器人的 AI 在哪？感知决策执行

商场里送餐的机器人自己绕开行人，酒店里配送的机器人会按楼层按门铃，家里扫地的机器人贴着桌腿转圈。这些服务机器人的 AI 到底在哪？拆开看，它们的智能由三层能力搭成：感知层负责看环境，决策层负责想路线，执行层负责动手干。这篇逐层讲清三层各自做什么、怎么衔接，理解了这套结构，看任何一台服务机器人都能对号入座；同样的三层结构在会飞的设备上照样成立，对照着读更清楚，见无人机的 AI一篇；多传感器数据怎么互相校准，传感器融合一篇有专门拆解，这里先搭整体框架。

第一层感知：先把环境看明白

机器人动手之前，得先知道自己站在哪、周围有什么。感知层就是干这个的：摄像头拍下画面，识别桌面、行人、障碍物的位置与类别；激光雷达转着圈测距，把房间的轮廓扫成一张距离图；超声与红外补上玻璃、台阶这类视觉容易漏掉的陷阱；底部的轮速计与惯性单元记录自己走了多远、转了多少度。单看任何一路传感器都有短板，摄像头怕光线，雷达分不清玻璃，所以感知层真正的功夫在把几路数据合并成一张彼此印证的环境图，合并的方法就是传感器融合那一篇的主题；其中视觉这一路能认出什么、认不准什么，与AI 摄像头一篇的口径相通，可以对照着看。感知层的产出很朴素：一张「我在这、那里有东西」的实时地图，供下一层使用。

第二层决策：想清楚怎么走怎么干

拿到环境图，决策层开始算账。第一笔账是定位：对照地图算出自己当前的精确位置，差一点，后面的路线就全歪。第二笔账是路径规划：从当前位置到目标位置，在地图上挑一条既短又安全的线，贴墙留出余量，绕开人流密集区。第三笔账是动态调整：规划好的路线走一半，前面冒出一个行人，是停下等、减速绕、还是换条路，决策层在几百毫秒内重新算一遍。除了走路，任务层面也有决策：配送机器人到了楼层先送哪间房，清洁机器人按什么顺序扫完一间屋，都是这一层在排序。决策层产出的东西同样朴素：一组下一步该怎么动的指令。

第三层执行：把决定落到动作上

指令再漂亮，也要有机构去完成，执行层管的就是这件事。轮式机器人的电机按指令调整转速与转向，转向的偏差要精细到厘米级；带机械臂的机器人还要控制力度，抓一个杯子太轻会滑、太重会碎，力反馈传感器把抓握的感受实时送回去修正。执行层有个绕不开的现实：物理世界总有误差，轮子会打滑，地面有坡度，指令说走一米，实际可能走了九十七厘米。所以执行不是一次性交付，动作做完，感知层立刻核对「走到了没有」，有偏差就交回决策层修正——三层就这样转起来：看、想、动，动完再看，循环往复不停歇。

三层衔接决定实际体验

单看哪一层强都不够，体验好坏藏在衔接处。感知慢半拍，障碍物都到跟前了才看见，决策再聪明也来不及；决策算得太慢，路线更新跟不上脚步，机器人走出一顿一顿的顿挫感；执行精度差，再好的路线也走不直。所以工程上三层的耗时都要压：感知数据毫秒级更新，决策局部重算走捷径，执行用高频的小修正代替一次到位的大动作。拿一台送餐机器人来说，端到端的链条是：看到桌边有人，半秒内重算路线，轮子随即微调，整个过程食客只觉得它自然地让了一下。想按场景挑机器人的，选购侧的话题不在本篇范围，存量文章里陪伴机器人怎么选一篇已专门写过，这里只管能力构成。动手理解也容易：让豆包把一台机器人公开的功能参数按感知、决策、执行三层归个类，再用 Kimi 补齐每层缺失的典型传感器与指标，一套结构就吃透了。

服务机器人三层速查

• 感知层：摄像头、雷达、惯性单元各管一路，融合成环境图
• 决策层：定位、规划路线、遇变重算，产出动作指令
• 执行层：电机与机械臂落地动作，力与位姿精细控制
• 误差常态存在：动完再核对，三层循环往复修正
• 体验好坏看衔接：三层的耗时与精度共同决定流畅度

关于服务机器人的常见疑问

• 服务机器人看起来动作慢，是算力不够吗？：多数是有意的取舍。慢速让感知与决策有充足时间核验，安全性优先；速度提上去，传感器的刷新率、决策的响应时间、执行的控制精度都要跟着升级，成本按倍数涨。家用与商用场景普遍选了稳妥的那一档。
• 机器人在陌生环境里还能正常工作吗？：能，但会先经历一个建图阶段。进入新环境，机器人边走边把空间轮廓记录下来，形成自己的地图，之后定位与规划都依托这张图。地图质量直接影响后续表现，所以首次使用按说明把环境走全，比事后频繁迷路划算。
• 想查一台机器人的三层配置够不够用怎么办？：让 DeepSeek 把产品页的传感器清单、算力描述与运动参数按三层拆开，对照本篇讲的能力构成逐层检查：感知有没有明显缺路、决策有没有重规划能力、执行精度标到多少，缺哪层补哪层的问题就清楚了。