这次我们来看一个产业信号速腾聚创的机器人业务已经占到半壁江山。激光雷达公司不再只有“车载”这一个标签。速腾聚创过去给公众的印象是智能驾驶激光雷达供应商现在它的业务结构中机器人相关业务已经可以和车载业务并驾齐驱。这个变化不是简单的营收迁移而是技术平台、产品形态和客户结构的整体重构。这篇文章不聊股价不做投资建议只做技术拆解和产业分析机器人业务占比过半意味着什么激光雷达如何在机器人场景里落地从传感器选型到多传感器融合有哪些关键技术点以及作为工程师或方案商应该用什么框架去判断这类业务变化。1. 核心信息速览信息项说明企业主体速腾聚创RoboSense激光雷达与感知解决方案供应商核心业务智能驾驶激光雷达、机器人感知传感器、点云算法与系统方案技术路线激光雷达硬件 点云数据处理 面向场景的感知软件栈机器人业务现状从标题信息看机器人相关业务已接近或达到整体收入的一半业务结构车载业务与机器人业务双线并行机器人成为第二增长曲线关键技术能力激光雷达测距、MEMS/Flash固态扫描、点云算法、车规量产经验向机器人迁移对工程师的意义选型参考、多传感器融合方案设计、机器人感知系统搭建判断依据具体营收数字、产品参数、客户名单请以公司公告和官网披露为准这里要强调一个原则业务占比“过一半”是标题给出的结论但具体是季度数据还是累计数据、按收入还是按出货量计算需要看原始公告。产业分析可以基于结论展开具体数字不能拍脑袋。2. 机器人业务占到“半壁江山”意味着什么速腾聚创以车载激光雷达起家核心产品覆盖 ADAS 和自动驾驶场景。现在机器人业务能在整体盘子里占一半说明机器人已经不是试水项目而是具备规模化收入的第二曲线。2.1 第一层信号收入结构不再单一过去激光雷达厂商的营收高度依赖车企定点项目和量产节奏。车企销量波动、车型迭代周期、价格战都会直接影响上游供应链。机器人业务起来之后客户结构从“少数车企大客户”变成“多个行业的中小批量客户”抗周期能力会明显不一样。当然机器人客户的问题也很明显单个客户规模小需求碎片化不同行业的产品规格差异大。一家公司能同时把车载和机器人两条线做起来意味着它的产品矩阵必须足够宽。2.2 第二层信号产品定义从“车规级”扩展到“场景级”车载激光雷达强调车规可靠性、功能安全、长距离探测和高速场景性能。机器人场景完全不同配送机器人速度低但要求近距离盲区小、功耗低、成本敏感工业 AGV 要求稳定性和抗振动能力服务机器人则对体积、噪声和外观都有要求。机器人业务占比到一半说明产品线已经不只是把车载雷达降级复用而是专门为机器人设计了新的传感形态。从材料透露的方向看速腾聚创已经有面向机器人场景的专用感知硬件和算法方案具体型号和参数以官网发布为准。2.3 第三层信号技术平台开始复利激光雷达的核心技术积累包括光学设计、激光发射接收、扫描结构、点云算法、标定和量产工艺在车载和机器人之间是可迁移的。车载场景对可靠性和量产能力要求更高这些能力迁移到机器人场景等于用更高标准做更低门槛的产品工程上是降维复用。3. 支撑机器人业务的激光雷达技术底座要理解“机器人业务半壁江山”这个结果首先要看懂激光雷达在机器人里的技术位置。3.1 激光雷达的分类与原理激光雷达的核心是发射激光束、接收反射信号、计算飞行时间ToF或调频连续波FMCW得到距离再结合扫描结构生成点云。按扫描方式分类类型特点典型适用场景机械旋转式360°扫描视野完整成本高体积大早期自动驾驶、户外大型机器人半固态 MEMS扫描角度可控可靠性高量产成熟车载 ADAS、高速机器人Flash 固态无扫描结构单次闪光成像体积小近距离避障、服务机器人棱镜/转镜式结构介于机械和固态之间车载、复杂环境感知机器人场景中机械旋转雷达适合需要全向感知的户外配送车但成本和寿命是问题。半固态和 Flash 雷达在体积、成本和可靠性上更适合室内服务机器人不过视场角和探测距离需要取舍。3.2 点云数据处理是核心软件能力硬件只解决了“采集”真正决定体验的是点云处理链路去噪滤除离群点和环境反射噪声。地面分割分离地面点提取障碍物。聚类将点云分割成不同目标。目标跟踪跨帧关联得到速度信息。SLAM同时定位与建图。这里给一段点云处理的伪代码方便理解整个链路实际工程可以替换为 PCL、Open3D 或自研算子实现。import numpy as np def preprocess_point_cloud(points, distance_limit(0.1, 50.0)): # 输入: points, shape (N, 3) # 输出: 裁剪距离范围后的点云 dist np.linalg.norm(points, axis1) mask (dist distance_limit[0]) (dist distance_limit[1]) return points[mask] def voxel_downsample(points, voxel_size0.05): # 体素降采样减少计算量 voxel_indices np.floor(points / voxel_size).astype(np.int32) _, unique_indices np.unique(voxel_indices, axis0, return_indexTrue) return points[unique_indices]真实机器人的点云处理还要考虑运动畸变矫正、时间同步和实时性不是简单几行代码能覆盖的。3.3 激光雷达的“含金量”指标判断一颗机器人激光雷达是否适合落地重点看这几个指标探测距离室内 20 米足够户外低速配送车需要 50 米以上。视场角 FOV水平视场 360° 还是 120°决定覆盖范围。角分辨率分辨率越高远处物体点越密识别越稳定。盲区近距离盲区越小越能避免碰撞。点频每秒输出点数影响感知算法延迟。功耗与体积服务机器人内部空间有限功耗直接影响续航。这些参数没有绝对最优只有场景适配。4. 不同机器人场景对激光雷达的需求差异机器人是一个统称不同场景的性能要求差异巨大。把机器人业务做到半壁江山意味着产品已经覆盖多个细分市场。4.1 家用与商用服务机器人典型应用是扫地机器人、配送机器人、导览机器人。这类场景的特点是成本非常敏感雷达单价压得很低。室内环境相对稳定探测距离要求不高。强调近距离盲区和跌落检测。体积、功耗、噪声都要控制。消费级机器人现在更多用 ToF 激光雷达或者固态方案传统机械雷达因为噪声和寿命问题很难进入家庭场景。4.2 工业机器人与 AGV/AMR工业场景包括仓储物流 AGV、产线机械臂、无人叉车。特点可靠性要求极高7x24 小时运行。环境和人混行安全避障需求严格。需要稳定输出不能因为抖动丢点。通常要求与安全 PLC 联动输出信号要满足功能安全等级。工业客户对价格敏感度低于家用消费但对交付稳定性和售后要求更高。4.3 户外机器人与低速无人车包括园区快递车、无人清扫车、安防巡逻车。这类场景对激光雷达的要求接近自动驾驶探测距离需要覆盖中远距离。要应对阳光直射、雨雾、灰尘。需要 360° 或广角覆盖。对可靠性、防护等级、抗震要求高。从技术难度看户外机器人是车载业务与机器人业务跨界最明显的结合点。4.4 人形机器人人形机器人是目前行业最热的赛道之一。它对激光雷达的要求相对特殊传感器需要小型化、轻量化。需要深度感知来辅助抓取和导航。通常与视觉、IMU 深度耦合。成本没有服务机器人那么极致但形态要求高。这里还处于方案探索期视觉和激光雷达路线并存很难说哪种方案会成为绝对主流。5. 从系统角度看机器人感知激光雷达与多传感器融合很多人在机器人选型时喜欢争论“激光雷达好还是摄像头好”这类二选一的问题在工程上意义不大。5.1 激光雷达与视觉是互补关系摄像头的优势是信息密度高、色彩纹理丰富、成本低缺陷是受光照影响大在暗光、逆光、强光下容易失效而且单目深度估计误差大。激光雷达直接输出三维距离信息不受光照影响但缺乏语义和纹理信息。实际机器人方案基本都是多传感器融合激光雷达负责测距、建图、避障。摄像头负责识别文字、颜色、人脸、物体分类。IMU 负责姿态估计。里程计负责相对位移。5.2 融合系统要解决三个工程问题第一是时间同步。激光雷达与相机的采样频率不同必须统一时间戳否则融合结果会出现偏差。第二是外参标定。雷达坐标系、相机坐标系、机体坐标系之间的旋转和平移关系必须准确否则点云投影到图像上会错位。第三是算力分配。机器人主控通常不是高端 GPU必须在嵌入式平台上平衡精度和实时性。这里给出一个 ROS 2 中激光雷达驱动的占位配置示例实际使用时要替换成对应雷达型号的参数# ROS 2 lidar driver config example lidar_driver_node: ros__parameters: device_ip: 192.168.1.100 frame_id: lidar_link scan_topic: /scan pointcloud_topic: /points range_min: 0.1 range_max: 50.0 scan_frequency: 10.0 point_cloud_preserve: true这套参数背后的逻辑是距离范围、话题名、坐标系和输出频率必须和下游 SLAM、避障模块对齐否则机器人跑不起来。5.3 纯激光方案与纯视觉方案的边界室内结构化环境的低成本机器人可以只用激光雷达做定位导航用得比较多的方案是激光 SLAM。激光 SLAM 优点是不需要打标、精度稳定、地图直观适合固定场景。缺点是对动态环境适应性一般。视觉 SLAM 则更适合复杂语义场景但计算量更大、对光照敏感。更稳妥的做法是激光 视觉融合虽然增加成本和复杂度但系统鲁棒性显著提升。6. 用数据方法拆解一家科技公司的业务结构做产业分析也可以工程化。速腾聚创机器人业务占比提升这个现象可以写成一套完整的数据分析流程。这里用 Python 演示业务结构拆分的方法数据是演示占位数据不是真实财报数据。6.1 第一步构造业务收入占比数据import pandas as pd # 演示数据非公司实际数据 data { 年份: [2022, 2023, 2024, 2025], 车载业务占比: [0.85, 0.75, 0.63, 0.50], 机器人业务占比: [0.15, 0.25, 0.37, 0.50], } df pd.DataFrame(data) df[其他业务占比] 1.0 - df[车载业务占比] - df[机器人业务占比] print(df)运行后可以看到一个典型趋势车载业务从 85% 一路降到 50%机器人从 15% 升到 50%。这个结构变化就是“半壁江山”的数据表达。6.2 第二步计算业务结构变化率单纯看占比不够还要看变化速度。可以计算每年占比的绝对值变化。df[机器人业务增幅] df[机器人业务占比].diff() print(df[[年份, 机器人业务占比, 机器人业务增幅]])增幅越大说明机器人业务扩张越快。如果连续多个季度保持高增长说明它不是一次性项目收入而是有持续订单支撑的业务线。6.3 第三步结合毛利率与研发投入判断质量业务占比只是结果还要看盈利质量和可持续性。真正值得关注的指标包括机器人业务毛利率是否高于车载业务。研发投入是否持续投向机器人感知技术。新增客户数是否分散。机器人产品是否形成平台化复用。这些指标需要公司财报数据支持建议阅读原版公告后再做判断。7. 常见误区与判断框架很多人在看这类产业新闻时容易陷入几个误区。7.1 误区一机器人业务过半说明车载业务不行了这是最常见的错误解读。占比下降不代表收入下降可能两个业务都在增长只是机器人增长更快。判断汽车业务是否紧缩要看绝对收入额、新增车型定点数量和交付量不能只看占比。7.2 误区二激光雷达在机器人领域会被摄像头取代这个说法过于绝对。视觉在感知语义和类别上能力强但在精确测距、夜间和恶劣天气下不如激光雷达。不同机器人的功能安全等级要求不同很多工业和安全敏感场景必须用激光雷达或至少需要冗余测量。摄像头的进步不会消灭激光雷达只会让两者融合得更好。7.3 误区三机器人业务只需要低价雷达低价是趋势但不是唯一标准。工业机器人要求 7x24 小时稳定运行返修一台设备的成本远高于省下的雷达成本。客户真正在意的是全生命周期成本而不是初始采购单价。所以机器人激光雷达不完全是“越便宜越好”而是要找到可靠性、性能和成本的平衡点。7.4 判断一家公司是否真正押注机器人业务从公开信息判断可以看五个维度是否推出专用机器人产品线而不是把车载产品改名复用。是否成立独立的业务组织或发布独立软件方案。客户名单是否覆盖多个机器人细分行业。供应链和生产工艺是否针对机器人量产做调整。对外展示中机器人方案是否出现在核心位置而不是“顺便展示”。如果五条中了大部分说明机器人业务是战略主线不是市场宣传概念。8. 风险、合规与使用边界机器人业务占比大幅提升伴随的不仅是机会还有技术责任和合规边界。这一点在产业分析里很容易被忽略但工程师和方案商必须重视。8.1 感知数据的隐私边界机器人进入家庭、办公、商场等场景激光雷达点云虽然不像摄像头那样直接记录人脸和画面但仍然能间接反映环境结构。高精度点云可能用于构建室内地图涉及空间隐私。方案商在采集和使用点云数据时要有明确的脱敏和访问控制策略。8.2 安全功能不能只依赖单一传感器机器人的安全避障如果完全依赖一颗激光雷达一旦传感器失效后果严重。正确的做法是采用冗余设计激光雷达与超声波、红外、接触传感器形成多层保护并通过安全 PLC 逻辑控制运动。任何传感器方案落地前都要经过严格的安全认证和测试。8.3 版权与授权问题如果机器人同时使用摄像头识别特定品牌标识、人脸、语音等务必确认这些素材的使用授权。尤其是商用部署场景不能默认采集到的内容都可以随意处理。8.4 不要在未测试环境轻信宣传参数激光雷达标称的探测距离、视场角、精度通常是在理想测试条件下得到的实际场景会受到温度、光照、雨雾、遮挡影响。选型前必须在目标环境做测试验证比如同样一台配送机器人在室内走廊和室外强光下的感知表现可能差很多。9. 总结与下一步关注点速腾聚创机器人业务占到半壁江山这个转折背后是激光雷达技术从单一车载市场向机器人产业大规模迁移。它对整个机器人产业链的信号价值是感知硬件正在从“自动驾驶专供”变成“机器人标配”成本、体积、功耗和场景适配能力成为新的竞争维度。对工程师来说最先应该验证的不是哪颗雷达更便宜而是这套感知方案是否能在你的目标场景里稳定工作。几个关键验证步骤先在目标环境跑通点云采集和 SLAM。再确认激光雷达与视觉、IMU 的时间同步和外参标定。然后测试不同光照、不同距离、不同障碍物材质下的感知稳定性。最后评估长期运行的可靠性和售后响应。最容易踩的坑是只看参数表选型忽略实际场景里的干扰。后续值得持续关注的方向包括机器人专用固态雷达的价格下探、激光雷达与视觉融合方案在机器人上的成熟度、以及机器人点云语义分割算法的工程化。如果你正在做机器人选型或者感知系统设计建议把速腾聚创这类激光雷达厂商的产品线单独整理成一张对比表重点标注探测距离、FOV、功耗、工作温度和量产价格。这样等新品发布时可以直接套用同一个选型框架做评估不会漏掉关键信息。