技术深度解析
此次转型的核心创新在于对自动驾驶技术栈的适配与扩展。自动驾驶的软件架构通常是一个多层流水线：感知（传感器→理解）、预测（预判其他智能体行为）、规划（生成安全舒适的轨迹）和控制（通过执行器执行计划）。对于“最后一公里”配送的具身智能体，这一技术栈需进行针对性改造。
感知与世界建模： 自动驾驶汽车严重依赖激光雷达和高分辨率摄像头进行360度、远距离感知，而配送机器人通常在速度更低、行人更密集但地理范围有限的区域运行。这使得传感器融合策略可以优先考虑成本效益更高的立体摄像头、超声波传感器和低分辨率激光雷达。关键挑战从高速下的物体检测，转变为对人行道、门口、电梯以及动态人机交互的细粒度理解。这正是多模态大语言模型（LLM）和视频基础模型的用武之地。像Google的RT-2等项目展示了视觉-语言-动作模型如何提供常识推理——例如理解包裹应放在门*旁*而非正前方。开源社区在此非常活跃；例如，Google DeepMind的 `Open-X-Embodiment` 资源库汇集了机器人数据集和模型，成为训练通用策略的基础资源。
规划与决策： 自动驾驶规划涉及复杂、高风险且安全约束严格的机动操作。配送机器人的规划在*社交导航*（即礼貌地与人类协商空间）方面 arguably 更为复杂，但在纯运动学层面则相对简单。规划模块必须在以行人为中心的数据集上重新训练。强化学习（RL）和模仿学习（IL）等技术至关重要，通常在高保真模拟器（如NVIDIA的Isaac Sim）中进行训练。原本为自动驾驶设计的 `nuPlan` 数据集，正被适配用于评估低速、交互式智能体行为。
“大脑-身体”接口： 一个关键的技术障碍是高层认知模型（LLM）与底层实时控制系统的集成。LLM提供任务分解和语义理解（如“将包裹送到三楼公寓”），但其运行速度慢，属于深思熟虑型。控制系统则需要毫秒级延迟的响应。解决方案是分层架构：由LLM或一个更小、精炼的“策略”模型设定高层目标和上下文，而另一个独立的、优化的神经网络（通常是循环网络或Transformer）处理即时控制循环。这是当前研究的热点领域，诸如 `Transformers for Robotics` 等框架正在探索如何有效地对感觉运动数据进行标记化处理。
| 技术模块 | 自动驾驶汽车侧重点 | 具身配送智能体侧重点 | 关键适应点 |
|---|---|---|---|
| 感知 | 远距离（120米+）、高速物体跟踪；详细道路几何结构。 | 短距离（<30米）、细粒度障碍物检测；人体姿态与意图识别。 | 从几何精度转向社交与语义理解。 |
| 预测 | 车辆未来3-8秒的概率轨迹预测。 | 行人、宠物、开门等行为未来1-3秒的意图预测。 | 更多多模态（手势、视线）输入，高度非线性行为。 |
| 规划 | 具有形式化安全保证的高速轨迹优化。 | 符合社交规范的路径规划；与基础设施交互（如电梯呼叫按钮）。 | 融入社交成本函数和人机交互模型。 |
| 控制 | 精确的油门/刹车/转向控制，确保乘客舒适与安全。 | 低速、全向或差速驱动控制，以适应狭窄空间的敏捷性。 | 简化的车辆动力学，更强调货物颠簸缓解。 |
核心洞见： 此次技术转型并非全盘移植，而是战略性重新聚焦。它降低了原始性能（速度、范围）的优先级，转而追求在受限运行设计域（ODD）内的鲁棒性、社交智能和成本效益。
关键参与者与案例研究
物流领域的具身智能格局正在迅速演变，参与者来自自动驾驶、机器人技术和电子商务背景。
自动驾驶背景的初创公司： 杨瑞刚的新公司只是其中一员。Pony.ai 的前员工创立了 Moon（自动驾驶出行）等公司，WeRide 的资深人士也在探索机器人领域。他们的独特优势在于拥有大规模部署安全关键型AI系统的成熟经验。另一个值得注意的例子是 ZongMu Technology（纵目科技），最初是自动驾驶感知供应商，现正扩展到自主清洁和配送机器人领域。
成熟的机器人及物流巨头： 像极智嘉（Geek+）、快仓等物流机器人公司，正通过集成更先进的感知和决策算法来提升其产品的自主性。电商巨头如京东、菜鸟，则利用其场景和数据优势，持续研发和部署无人配送车。这些公司构成了具身智能在物流领域落地的另一股核心力量。