拆解掃地機器人：一台家用清潔機器人裡到底藏了多少機器人學

拆開外殼之前，先問一個問題

把一台掃地機器人的上蓋拆開，會看到一片主控制板、幾顆感測器模組、一組輪組與馬達、一顆鋰電池，體積不比一台路由器大多少——但這台不起眼的圓盤機器，其實是少數已經大規模走進一般家庭客廳、真正做到自主定位、建圖、路徑規劃、避障四件事同時運作的消費級機器人。它面對的技術挑戰，跟本站介紹過的 ROS2 導航堆疊（Nav2 costmap、SLAM Toolbox）本質上是同一套問題，只是被塞進了一個直徑不到 35 公分、成本必須控制在消費品等級的硬體殼子裡。拆開外殼看到的每一顆感測器，背後都是一個成本與效能的取捨決策。

定位與建圖：LIDAR 與視覺 SLAM 的路線之爭

多數中高階掃地機器人頂部會有一顆會旋轉的黑色小圓柱，那是雷射測距雷達（LIDAR）——它以固定頻率（常見規格約每秒 5 到 10 轉）朝四面八方發射雷射並量測反射回波時間，換算出機器人到周圍牆面與家具的距離，這跟本站在 SLAM 技術總覽 一文中介紹的原理相同：把每一次掃描到的距離讀數跟機器人自身的移動量結合，透過 SLAM（同步定位與建圖）演算法一邊估計自己在空間中的位置，一邊逐步建構出房屋的平面地圖。LIDAR 方案的優勢是不受環境光線影響、測距精度穩定，且演算法相對成熟（多數機型採用類似 ORB-SLAM 的圖優化框架的簡化版本），代價是機構複雜、有旋轉零件、機身通常需要多出一截「頂帽」容納 LIDAR 模組。

另一條路線是純視覺 SLAM（vSLAM）——用一顆朝上或朝前的攝影機取代旋轉雷達，靠影像特徵點的跨幀匹配估計自身移動與環境結構，機身可以做得更扁平（沒有旋轉零件需要的機構空間），成本也通常更低，但代價是高度依賴環境光線與紋理豐富度：在光線昏暗、牆面過於單調（例如純白牆）的環境下，特徵點數量不足會直接影響定位精度，這也是為什麼多數 vSLAM 機型會在機身加裝主動紅外線補光，緩解光線不足時特徵匹配失敗的問題。兩種路線至今仍並存於市場上，本質上是機構成本與環境穩健度之間的取捨，沒有絕對的優劣，只有不同價格帶與使用情境下的合理選擇。

感測器堆疊：便宜卻關鍵的機械式感測器

比起 LIDAR 這類顯眼的核心感測器，掃地機器人底盤上還藏著幾顆不起眼卻同樣關鍵的機械式感測器。跌落感測器（cliff sensor）通常是機身底部朝下的紅外線收發對，持續偵測地面反射距離——當機器人行進到樓梯邊緣或高低落差處，地面反射距離會突然變遠，感測器偵測到訊號異常後立刻觸發緊急停止與後退轉向，避免機器人真的摔落樓梯，這是所有機型（不論定位方案為何）都必定配備、且反應必須是硬體層級即時中斷、不能等待上層路徑規劃演算法決策的安全機制，屬於系統設計裡「安全關鍵」（safety-critical）的最高優先層級。

輪組編碼器（wheel encoder）與慣性測量單元（IMU，內含陀螺儀與加速度計）則負責提供里程計（odometry）資訊——每顆輪子轉了多少圈、機身朝哪個方向偏轉，這些數據是 SLAM 演算法融合外部感測器（LIDAR 或攝影機）觀測值時的另一個關鍵輸入來源。純靠里程計定位會因為輪子打滑、地毯摩擦力不均等因素持續累積誤差，這也是為什麼掃地機器人幾乎不會只依賴輪組編碼器導航——里程計提供的是短時間內相對可靠的相對位移估計，真正的絕對定位仍然要靠 LIDAR 或視覺觀測跟地圖做匹配校正，兩者的融合本質上是一個卡爾曼濾波或圖優化框架下的感測器融合問題。

覆蓋路徑規劃：不是隨機亂走，是有章法的弓字形

早期低階掃地機器人多半採用隨機碰撞式清潔策略——直線前進、碰到障礙物就隨機轉向，靠長時間覆蓋機率涵蓋大部分地板面積，這種策略完全不需要建圖，但清潔效率極低、也無法保證涵蓋率。現代主流機型在建立好房屋地圖之後，會採用弓字形（boustrophedon）覆蓋路徑規劃——把房間切割成一條條平行帶狀區域，機器人沿著每一條帶狀區域來回直線行走，清潔完一條再平移到相鄰一條，這種路徑在數學上已被證明是在已知邊界多邊形內達成完整覆蓋、且重複清掃面積最小的高效策略之一，跟本站在 Nav2 Costmap 與路徑規劃 一文中介紹的全域路徑規劃問題，本質上是同一類「在已知地圖上找出滿足特定目標的可行路徑」的規劃問題，只是掃地機器人的目標函數不是「最短路徑到達某一點」，而是「以最少重複、最少遺漏的方式走遍整個可清潔區域」。

多房型的房屋還需要額外一層房間分區（room segmentation）演算法——先把建好的地圖依牆面與門口分割成獨立房間區塊，再依序對每個房間套用弓字形路徑規劃，逐一清潔完再移動到下一個房間，而不是把整個屋子當成單一連通區域盲目弓字形掃過去。這一層分區邏輯也是為什麼中高階機型能在 App 上顯示「客廳」「臥室」等具名房間、並支援「只清潔指定房間」這類功能——房間分區的準確度直接決定了這類進階功能的可用性，也是廠商在演算法層面持續投入研發的重點方向之一。

避障：從「先撞再閃」到「還沒撞就繞開」

碰撞感測器（bumper）是最基礎的避障機制——機身前緣是一圈可以受力後退的活動外殼，內部搭配微動開關，真正撞上障礙物後偵測到位移訊號，觸發後退與轉向的避障邏輯，這是所有掃地機器人的最後一道防線，即使是配備高階視覺避障系統的機型，仍然會保留碰撞感測器作為主動避障失效時的備援機制，這跟工業機器人在力矩感測之外仍保留機械式安全防護裝置的設計思路是同一種「多層防護」（defense in depth）的安全設計原則。

主動避障則仰賴距離感測器在真正碰撞之前預先偵測障礙物——常見方案包括紅外線測距陣列、結構光投影搭配攝影機重建深度，或是搭載小型 ToF（Time of Flight）深度攝影機直接量測像素級的距離資訊。部分旗艦機型更進一步導入物件辨識模型，讓機器人不只是「偵測到前方有東西」，而是進一步分類「這是電線、鞋子、寵物排泄物還是家具」，針對不同物件類型採取不同的應對策略（電線可能需要更大的迴避半徑避免捲入滾刷、鞋子只需要輕微繞開），這一層物件分類能力，本質上跟本站在抓取偵測系列文章中討論的視覺感知模型是同一類技術，只是應用場景從「決定怎麼抓」換成了「決定怎麼繞」。

基座與滾刷：機構工程比演算法更難被複製的一塊

自動集塵、自動洗拖布、自動加水這類基座功能，看似跟機器人學的核心演算法無關，卻是目前旗艦機型之間差異化程度最高、也最難被低價競品快速複製的一塊技術——集塵基座需要精確控制吸力大小與吸塵時間、洗拖布基座需要處理污水回收與拖布烘乾的機構設計、避免細菌孳生，這些都是純機構工程與流體力學問題，跟感測器演算法完全是不同的技術門檻。這也解釋了為什麼即使 LIDAR 與避障演算法的技術差距在中高階機型之間已經逐漸收斂，基座功能的體驗落差仍然是消費者在選購時能明顯感受到、且廠商願意持續投入研發資源做差異化的關鍵戰場。

拆開來看，其實是一台縮小版的移動機器人

如果把掃地機器人的技術堆疊攤開來看——感知（LIDAR/視覺 SLAM）、定位（感測器融合里程計校正）、規劃（弓字形覆蓋路徑加房間分區）、控制（避障與馬達驅動）——會發現這正好對應到一套完整移動機器人系統的四大模組，跟工業 AMR（自主移動機器人）、甚至部分自駕車的系統架構在概念層次上是相通的，只是掃地機器人必須把這整套系統壓縮進消費品等級的成本與體積限制裡運作。理解一台掃地機器人的內部技術堆疊，某種程度上是理解整個移動機器人學科最平易近人的切入點之一——它不需要昂貴的實驗設備，任何人家裡的一台掃地機器人，就是一個正在你客廳裡持續運作的完整機器人系統範例。