云深处，闯进核电站
卫辰远 · 2026-07-27
中国四足机器人在瑞士核电站常态化巡检，突破45度镂空楼梯、极端温度等工业硬门槛，实现设备早期故障检测。
瑞士中部，阿尔河畔，一座运行超过 40 年的核电站里，一台四足机器人正在走廊里独自工作。这不是演示，是常态化巡检，已稳定运行超过半年，每天 24 小时不间断。
KKL 核电站是瑞士最大的核电站。它引入的这批机器人来自中国杭州，一家叫云深处的公司。机器人要做的不是翻跟头，是在零下 20 度到 55 度的温差里持续运行、爬 45 度镂空铁梯、在没有光的管廊里自己认路、用热成像和声学相机找出人耳听不见的设备故障。
四足机器人行业不缺会翻跟头的演示机型，缺的是能在核电站待一年的机器狗。云深处在这件事上拿到了一个加分项，但距离交卷还有距离。
先活下来，再谈智能
工业级四足机器人和你在网上看到的跳舞机器狗不是同一个物种。跳舞机器狗在明亮的演播厅里对着地板标签走固定路线，摔倒了有人扶。工业机器人需要在没人管的厂房里自己分辨脚下是实心板还是镂空格栅。
绝影 X30 的 IP67 防护和零下 20 度到 55 度的温宽，直接对应的是工业现场的现实条件：变电站冬天零下十几度是常态，化工厂厂房里有粉尘和水汽，核电站管廊里没有光。这些条件不满足，机器人连工位都到不了，更别谈智能。
攀爬 45 度镂空楼梯是一个硬门槛。工业建筑里的检修楼梯最大倾角就是 45 度，超过这个角度不算楼梯，要装爬梯。所以 45 度这个数字是入场券，过了这条线才有资格进入大多数工业建筑。镂空楼梯比实心楼梯难得多，脚掌踩下去之前传感器看到的是网格状的不连续面，常规深度相机容易误判，以为脚下是空的，其实有钢条。云深处的解法是在感知层做混合策略：激光雷达建远距离地图，短程识别用专门训过的视觉模型，再加上系统内置的工业楼梯结构库，识别到楼梯特征时自动切换到基于模型的踩点规划。
步态控制同样棘手。45 度坡面上机器人重心会向下坡方向偏移，如果不做补偿，四条腿的支撑多边形会越来越往下滑，最终翻倒。绝影 X30 的运动控制加了坡面自适应，实时读体姿数据动态调落脚位置。上楼和下楼是两套逻辑，下楼时前脚踩实之前后腿的制动力矩不能撤，控制器要提前两步规划落脚序列。这个计算量不亚于一个平衡车的姿态解算，但平衡车只有一个自由度，四足机器人有 12 个关节需要协同。
续航也是现场的一个硬约束。一座大型变电站的巡检路线可能长达两公里，机器人要在单次充电内完成全路线巡检同时带上热成像、声学相机、激光雷达这些耗电设备。绝影 X30 的续航比上一代提升了 25%，电池支持快拆，操作员换块电池就能接着跑，不需要停车等充电。对于一天要巡检多轮的大型电站来说，这个细节决定了设备利用率。
这就像一个人在冰面上走路，每一步都想下一脚落在哪。机器人不能想错，算错一步就倒。
澎湃新闻在一篇行业报道中采访了飞捷科思机器人研发负责人李志建，他提了一个观点：现在行业最大的误区，是把 "四足机器人能跑起来" 理解成 "已经可以规模化落地"。工业客户关心的是机器人能不能稳定工作一年以上、换人之后整体 ROI 能不能算得过来。系统环节越多，整体可靠性越被拉低。很多四足机器人项目本质上还是小范围试点和示范工程。
云深处是少数几个已经迈过这道坎的公司。KKL 核电站的常态化巡检和国家电网 1000 座变电站的框架协议，不是试点，是真在干活。
热成像配声学，给设备看病
设备快坏的时候，不会提前打招呼，顶多留一度温差，或者一段你根本听不见的异响。人工巡检靠肉眼和耳朵，漏掉的概率不低。
绝影 X30 的热成像和声学相机组合，覆盖了设备故障的两个主要早期信号。热成像能隔着设备外壳看到内部温度分布，电气接头接触不良、轴承磨损、保温层破损都会留下痕迹。声学相机把超声频段的信号可视化，气体泄漏、局部放电、机械摩擦都有特定声纹。两路数据在机器人本地融合，最后输出的是一组带坐标的异常标记，不是原始视频流。操作人员只需要确认和处置异常点，不需要逐帧看录像。
这个设计的本质是：让机器做搜索，让人做判断。搜索是机器擅长的事，判断是机器还不擅长的事。一台设备每天产生上万个数据点，人不可能全看，机器自动筛选出异常点，人的精力集中在叫不准的那几个上。
导航系统也做了类似的分工。核电站和地下管廊的共同问题是没光、没 GPS、没有 Wi-Fi 定位。绝影 X30 靠激光雷达和惯性导航完成实时定位。但狭长隧道里激光雷达回波高度相似，机器人容易产生走廊混淆，不知道自己走到哪了。云深处的方案是在部署前先做一次人工建图，把设备特征、管道走向、接线箱位置标记成定位锚点，巡检时实时点云和预存地图做匹配来修正累计误差。先让人跑一趟，然后机器替人跑一万趟。
同一台机器狗，两种活法
2026 年美加墨世界杯，同一平台的机器人要面对完全不同的环境。核电站里环境可控、路径固定、设备可预测。世界杯现场人员流动以万计，光照和噪声剧烈变化，随时可能出现突发事件。机器人的感知系统从识别设备温度异常切换到识别人的异常行为，运动策略从避开固定障碍切换到避开动态人群。
这是对产品泛化能力的真实检验。一台机器人在两种极端之间切换还能稳定工作，说明的是底层控制架构的通用性够强。核电站的感知模型不能直接拿去识别人的行为，但底层的定位、导航、自主避障能力是可以复用的，这是产品平台化的价值所在。
英国高校的清洁能源实训项目走的是一条更慢的路线。学生用 OLO 平台操控机器人完成风电设备模拟巡检。这批学生毕业后进入行业，采购决策会下意识倾向熟悉的品牌。这个选择的回报周期是年不是季度。新加坡电缆隧道和沙特滨海项目分别测试了狭窄空间和极端气候的适应性。隧道宽度可能不到一米，机器人要侧身通过同时保持热成像覆盖不变形。沙特的高盐雾环境对精密运动机构是长期侵蚀，能在这种条件下稳定运行，才能谈进入中东市场。
五个海外场景拼在一起，指向一个共识：用不同地理环境、不同任务类型反复验证，比在实验室里跑一万次仿真更有说服力。每一个场景的部署记录都是一次完整的技术验收，从环境适应性到感知精度到系统稳定性，全部以是否完成当日巡检为评判标准。
千座变电站，交付才是硬仗
云深处与国家电网的合作是目前体量最大的一条线。5 年 10 亿元框架协议覆盖 1000 座变电站。据财联社报道，2026 年国网相关采购需求或达 5000 台，对应投资规模约 68 亿元，这相当于 2024 年全球四足机器人总出货量的四分之一。
做到这个规模不全是技术问题。从试点到千座变电站，需要走过设备可靠性验证、巡检流程标准化、与调度系统集成等一系列工程化阶段。每多一个站，交付压力就翻一倍。千座变电站意味着千个不同的现场条件，其中有旧的铁梯、有不标准的过道、有说不清原因的干扰信号。宁夏戈壁滩风电站 96.5% 的识别准确率是在风沙大、温差大、光照强烈的条件下跑出来的，但那是 98 个站里的一个优化得最好的，不是千个站的平均水平。巡检准确率在可控环境里跑出来和在现场跑出来，背后差着一个量级的工程投入。
宇树 B 系列同样在做工业巡检，参数上互有攻守。但两条路线在这个节点上分叉了：宇树靠消费级跑量走规模化，云深处走的是每台在真实工业环境里跑一年以上可靠性验证的路。同样的赛道，不同的打法和验证深度。
核电场景的先发优势是真实的，不过核电本身采购频率低，真正支撑营收的还是国网这类规模化采购。
AVEVA 的数据绑定是一步好棋。AVEVA 是英国工业软件巨头，在能源设施运维领域被西门子、ABB 等企业广泛采用。但 AVEVA 毕竟是西方工业软件，在国内电力系统能铺多深，受制于国产替代政策。如果国网大量使用自研或国产替代平台，AVEVA 的客户锁定效应会明显打折。OLO 平台是自有软件的补充，可以在更大程度上控制客户对系统的依赖。
写在最后
从瑞士 KKL 的核电站走廊到国网 1000 座变电站的机房，云深处把自己放在了一台加速器里。IP67 的防护和 45 度楼梯的攀爬能力是入场券，瑞士核电站的 7×24 小时运行记录是最硬的信任背书，国网 5000 台的需求是规模化的推力。
但三个挑战还在。从 300 台到 5000 台的交付压力不是线性增长，每多一个数量级，出现一次不可预见的故障的概率就会在某个现场变成现实。软件可以远程升级，硬件问题只能派人去现场。工业客户的认知也在改变，当 "四足机器人" 不再是新鲜事物，采购决策会从 "要不要试" 变成 "谁的更好用"。到那时，场景深度带来的先发优势能不能维持，取决于技术积累的厚度而不是先入场的时间。四足和轮足的形态之争还在继续，但在核电站和变电站这类结构化场景里，四足明显更合适。云深处选择了同时押注两条路线，但现阶段支撑营收的交付主力仍然是四足。
工业现场的考卷只有一道题：能不能稳定干活一年以上。核电站这一门，云深处站稳了。