0
一臺真正聰明的掃地機，應該能在復雜環境中自己做判斷：什么時候該繞開，什么時候重點清潔，什么時候靈活避讓。
這本質上，是一整套系統能力的體現。
追覓掃地機給出的答案是，把AI變成一條完整鏈路：從感知環境、理解場景，到做出決策，再到完成動作，形成連續閉環。
過去幾年，掃地機行業經歷了兩輪升級：從比吸力、參數，到比導航、覆蓋率。而今天，競爭開始轉向復雜環境中的智能判斷。
一位參與研發的追覓工程師對雷峰網(公眾號：雷峰網)提到：“我們想做的，不只是看見，而是在看見之后，進一步服務于清潔能力升級。”
換句話說，今天掃地機之間的差距，已經不在執行能力，而在決策能力。
從市場表現來看，這種變化正在被驗證。2026年一季度，追覓掃地機全球營收同比增長100%，在多個高端市場持續領先，并獲得歐睿國際“全球高端掃地機器人銷量第一”的認證。截至目前，追覓掃地機全球累計出貨量已突破1100萬臺。
當一臺掃地機開始“自主判斷”，它到底改變了什么？
01給掃地機做一雙眼睛
在追覓掃地機X60 Pro這一代產品上，變化是從“看見”開始的。
要做到業內最強的感知能力，追覓掃地機選擇了一條更激進的路徑，在行業內率先落地超廣角雙目靈動導航避障技術。
相比傳統單目視覺，這套方案通過雙RGB AI攝像頭、主動光散斑與3D感知，讓掃地機不再只是看到物體，而是直接獲得穩定的空間深度信息。簡單來說，它不只看到有什么，而是知道在哪里、多高、能不能碰。
這帶來了一組非常關鍵的能力變化——可識別280+類物體；最小感知高度低至3mm、對5mm以內低矮障礙物實現100%避障；在動態環境中，0.3秒內完成判斷，導航效率提升約50%。
參數本身并不新鮮，但共同指向一件事：掃地機開始具備穩定、連續的空間理解能力。
在傳統方案中，無論是激光雷達還是單目視覺，本質都是間接理解空間。要么通過點云拼接環境，要么通過圖像“猜”距離。這是為什么上一代掃地機常常會出現一些奇怪的行為：在桌腿之間反復試探、在陰影區域停頓。問題不在算法本身，而在輸入信息不穩定。
追覓掃地機這套“雙目+主動光”方案，通過人為制造可計算的特征點，讓系統在各種環境下都能獲得穩定深度信息，從看見輪廓，走向理解空間。
更重要的變化在于：感知不再只為避障服務，而是進入清潔決策。
當系統識別到毫米級目標時，機器不再簡單地統一繞開，而是判斷這是需要避開的障礙，還是可以直接清理的灰塵顆粒。
類似的變化，也延伸到人機交互。
目前，追覓掃地機支持多語種與方言語音控制。用戶不需要記住標準指令，只需說“輕輕拖一遍地”“不要太濕，掃一下客廳”，系統就可以自動匹配清潔策略。如果表達不清晰，機器甚至會追問，補全信息。
從環境到人，掃地機正在完成同一件事：從“識別輸入”，走向“理解意圖”。
把時間拉長來看，這種變化并不孤立。
過去十年，掃地機大致經歷過兩次關鍵躍遷。
第一次，是“會動”。早期產品依靠隨機碰撞完成覆蓋，解決的是“有沒有”的問題；第二次，是“會規劃”。激光導航讓掃地機可以建圖、分區、路徑規劃，解決的是“掃不全”的問題。
到這里，覆蓋率問題基本被解決。但真正影響體驗的，是剩下那一部分更細微、更復雜的場景——動態環境中的實時處理能力。
在人走動、寵物穿行、地面不斷變化的真實家庭環境中，掃地機需要持續感知、持續更新，而不是依賴一套固定輸入做判斷。
這也是為什么，“看見”這件事，必須被重做。
追覓掃地機的新一代產品，正是在這一階段完成了系統重構。在X60 Pro上，感知不再是一個獨立模塊，而是整個系統的起點，感知、理解、決策、執行，被串成一個連續過程。
02追覓掃地機把“看、想、做”連成了一件事
“看見”解決的是輸入問題，真正拉開差距的，是“接下來怎么做”。
掃地機面對的，從來不是標準化場景。
同樣是地面上的物體，處理方式完全不同。散落的珍珠、細小戒指等細小貴重物品需要避開，面包屑、貓砂、泡沫碎屑等需要清潔。系統不能再用一套統一規則處理所有情況。
過去主流掃地機，本質是一套規則驅動的系統：先識別障礙、停下來、重新規劃路徑、再執行。這套邏輯在靜態環境中幾乎完美，一旦進入動態場景，就容易出現停頓。
用戶看到的，是掃地機“猶豫了”。這是因為路徑是提前算好的，動作是規則觸發的，一旦變化超出規則覆蓋范圍，機器只能保守處理。
早在2021年，追覓掃地機便組建了AI算法小組，開始研究如何將 AI 技術融入產品。2023年起，追覓掃地機便率先將強化學習引入掃地機的研發。
在掃地機產品上的變化，是把“決策”從規則里拿出來，交給系統實時完成，邊走邊算。
這背后，是路徑規劃邏輯的一次變化。
傳統方案通常采用“全局規劃+局部避障”的組合，先用算法規劃一條完整路徑，再在執行過程中局部調整。
問題在于，這種方式天然是“分段的”，一旦環境發生變化，就需要不斷中斷、重算。
追覓掃地機引入強化學習之后，決策邏輯變成另一種方式。系統不再依賴固定路徑，而是根據當前感知結果，持續輸出下一步動作。
這帶來的變化，是可以被直接感知的：
在人和寵物走動時，掃地機不再停下來等待，而是順勢繞開；
在桌椅腿之間，不再來回試探，而是連續調整路徑穿過；
在狹窄空間中，很少觸發保護性后退，而是一次性通過。
這些變化很難用參數衡量，但會明顯改變使用體驗。
更重要的是，“想”的過程，不只發生在路徑層，也體現在人機交互上。
追覓掃地機可將用戶的自然語言直接轉化為清潔指令，自動解析清潔強度、范圍、方式等參數并生成任務。這讓機器的決策，既包含對環境的判斷，也包含對人的理解。
但如果“想”無法轉化為動作，系統依然是不完整的。
這也是為什么，追覓掃地機把能力從算法層，延伸到了結構層。
通過全球首創的仿生機械臂，在識別到墻邊或桌腿時，拖布和邊刷會主動外擴，補足邊角；在門檻或滑軌位置，會先判斷是否可通過，再通過首創的仿生機械足抬升完成越障。
這些動作，并不是預設觸發，而是決策結果的直接延伸。
當這些環節被連在一起后，掃地機就不再是“移動+清潔”的組合，而更接近一個完整的行為系統。
也正是在這里，差異開始真正被拉開。
03全球第一背后，是選擇、工程與研發投入
在感知方案上，行業長期主流是單目視覺或激光雷達。路徑清晰、成本可控，但在弱紋理、暗光、高反光等復雜環境中，始終存在上限。
追覓掃地機的“超廣角雙目+主動光+3D感知”，其實是一條更“重”的路線。
這類決策，看起來只是技術路線差異，本質上是在做取舍：是滿足于“夠用”，還是為了更強的環境理解能力，主動選擇一條更難、但上限更高的路。
真正體現追覓掃地機能力的，是把這條路線真正做到了產品里。
以雙目方案為例，它并不是簡單增加一個攝像頭，而是一整套系統級重構：更大視場角帶來的畸變與邊緣信息處理問題；主動光與鏡頭、ISP之間的協同調校；不同材質、不同光照下識別穩定性的波動；以及最終成像效果對識別模型的影響……每一個環節都決定著最終體驗的上限。
一位工程師提到，為了把產品打磨到極致，很多細節需要反復打磨十幾版甚至幾十版，再放到大規模內測場景中反復驗證。
決策系統同樣如此。從規則系統切換到強化學習，是要重構整套決策機制，包括數據如何組織、模型如何實時推理，以及在有限算力下如何穩定運行。
再往下，執行層同樣考驗系統能力——傳感器與ISP決定輸入質量，電機響應決定路徑是否連續，結構件設計決定策略能否真正落地。也正因如此，即使技術框架相似，不同產品的體驗差異依然明顯。
追覓掃地機真正建立起來的，是把復雜能力持續產品化的系統工程能力。
AI系統的上限，最終取決于數據與訓練體系。但掃地機的數據，分散、不可控，而且很多關鍵場景很難高頻采集。
追覓掃地機的做法，是引入仿真訓練，與真實數據形成閉環。
基于英偉達的仿真平臺，團隊可以構建成千上萬種家庭環境，讓模型在其中完成大規模訓練。單個階段即可生成數十萬級數據，4000臺虛擬機器人24小時運行，相當于在極短時間內積累數年真實使用經驗。
本質上，這是用工程手段，去解決數據規模問題。不僅是更多數據，更是覆蓋現實中難以頻繁出現的場景。
但這同樣意味著更高的投入，以及復雜系統設計的能力。
從路線選擇，到工程實現，再到數據體系，這些能力會直接反映在兩件事上，產品體驗，以及迭代速度。
以雙目方案的落地速度為例，行業內類似方案往往需要數年時間積累，而追覓掃地機在半年內完成從驗證到落地，這在行業里并不常見。
這種效率背后，是更高密度的研發體系支撐——追覓掃地機研發人員占比高達70%，算法、硬件、整機多線并行推進，才能讓復雜技術更快落地。
目前，追覓掃地機在30多個國家及地區市占第一，在18個國家市占率超過40%；2026年一季度，全球營收同比增長100%。
這些數字本身已經說明一件事：用戶更愿意為更聰明的掃地機買單，享受最佳的體驗。
這幾年，掃地機的變化一句話就能概括：從“掃得干凈”，到“掃得合理”。
當一臺掃地機開始理解環境、動態決策，并把判斷轉化為動作時，它就不再只是一個清潔工具，而更接近機器人。
在雷峰網看來，這也是為什么，掃地機會成為AI最早落地的一類機器人產品——場景足夠復雜，能夠不斷產生新的問題；任務足夠高頻，能力可以持續驗證和優化。
追覓掃地機這一輪的進化，本質上是把感知、決策、執行連成一個閉環系統，讓機器在復雜環境中更加“像人一樣聰明”。
當這種能力建立起來，它的意義，就不再局限于掃地這一個場景。
在一些探索性場景中，類似的系統能力，被嘗試復用到更連續的任務中，識別物體、完成抓取、與其他設備協同工作。
當機器理解了環境，它能做的事情，會遠多于最初被定義的那一類，它也就不再只是工具。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
