追觅全球出货1100万台打造最聪明扫地机

一台真正高智能的扫地机器人，应当能够在复杂家居环境中自主判断：何时需要绕行，何时必须深度清洁，以及如何灵活避障。

这背后，其实是一整套系统化能力的集合体现。

追觅扫地机给出的答案是，将AI技术整合为一条完整链路：从环境感知、场景理解，到智能决策，再到动作执行，构筑起持续闭环。

过去几年，扫地机行业历经两轮重要升级：从比拼吸力、参数，到竞争导航精度、覆盖效率。而如今，战场已转向复杂环境下的自主智能决策。

一位参与研发的追觅工程师透露：“我们追求的目标，不单单是‘看见’，而是在看清之后，进一步服务于清洁能力的升级进化。”

换言之，当前扫地机之间的核心差距，已不再局限于执行能力，而在于决策能力的高低。

从市场反馈来看，这一趋势正得到充分验证。2026年第一季度，追觅扫地机全球营收同比增幅达100%，在多个高端市场持续领跑，并获欧睿国际“全球高端扫地机器人销量第一”权威认证。截至目前，追觅扫地机全球累计出货量已突破1100万台。

当一台扫地机开始具备“自主判断”能力，它究竟改变了什么？

01 为扫地机装上“智慧双眼”

在追觅扫地机X60 Pro这一代产品上，变革始于“看见”这一环节。

为实现业内顶尖的感知性能，追觅扫地机选择了一条更为激进的路径，率先在行业内落地超广角双目灵动导航避障技术。

相比传统单目视觉方案，这一系统通过双RGB AI摄像头、主动光散斑与3D感知技术，使扫地机不再只是“看到”物体，而是直接获取稳定的空间深度信息。简单说，它不仅知道有什么，还能判断物体的位置、高度以及是否可触碰。

这带来了一系列关键能力跃升：可识别超过280类物体；最小感知高度低至3毫米，对5毫米以内的低矮障碍物实现100%避障；在动态环境中，0.3秒内即可完成判断，导航效率提升约50%。

参数本身并不新奇，但它们共同指向一个事实：扫地机开始具备稳定、连续的空间理解能力。

在传统方案中，无论是激光雷达还是单目视觉，本质上都是通过间接方式理解空间——要么通过点云拼接环境，要么依靠图像“推测”距离。这也是为何上一代扫地机常常出现奇怪行为：在桌腿间反复试探、在阴影区域停滞不前。问题并非出在算法本身，而在于输入信息的不稳定性。

追觅扫地机的“双目+主动光”方案，通过人为制造可计算的特征点，让系统在各种环境下都能获得稳定的深度信息，从仅能看见轮廓，进化到理解空间结构。

更重要的变化在于：感知不再单纯服务于避障，而是深入参与清洁决策。

当系统识别到毫米级目标时，机器不再简单统一绕开，而是精准判断：这是需要避开的障碍物，还是可以直接清理的灰尘颗粒。

类似的变化也延伸到了人机交互层面。

目前，追觅扫地机支持多语种与方言语音控制。用户无需记住标准指令，只需说“轻轻拖一遍地”“不要太湿，扫一下客厅”，系统便会自动匹配相应的清洁策略。如果表达不够清晰，机器甚至会主动追问，补全信息。

从环境到用户，扫地机正在完成同一件事：从“识别输入”走向“理解意图”。

拉长时间维度来看，这种变化并非孤立事件。

过去十年，扫地机大致经历过两次关键跃迁。

第一次是“会动”。早期产品依靠随机碰撞完成覆盖，解决的是“有没有”的问题；第二次是“会规划”。激光导航让扫地机可以建图、分区、路径规划，解决的是“扫不全”的问题。

至此，覆盖率问题基本被解决。但真正影响用户体验的，是剩下那部分更细微、更复杂的场景——动态环境中的实时处理能力。

在人员走动、宠物穿行、地面不断变化的真实家居环境中，扫地机需要持续感知、持续更新，而非依赖一套固定输入做出判断。

这正是“看见”这一环节必须被重新定义的原因。

追觅扫地机的新一代产品，正是在这一阶段完成了系统重构。在X60 Pro上，感知不再是一个独立模块，而是整个系统的起点——感知、理解、决策、执行被串成一个连续过程。

02 追觅扫地机将“看、想、做”融为一体

“看见”解决的是输入问题，而真正拉开差距的，是“接下来怎么做”。

扫地机面对的本就不是标准化场景。

同样是地面上的物体，处理方式可能截然不同：散落的珍珠、细小戒指等贵重物品需要避开，而面包屑、猫砂、泡沫碎屑等则应当被清理。系统无法再使用一套统一规则应对所有情况。

过去主流扫地机本质上是一套规则驱动系统：先识别障碍、停下来、重新规划路径、再执行。这套逻辑在静态环境中几乎完美，但一旦进入动态场景，就容易出现停顿。

用户看到的，是扫地机“犹豫了”。这是因为路径是提前计算好的，动作由规则触发，一旦变化超出规则覆盖范围，机器只能采取保守处理。

早在2024年，追觅扫地机便成立了AI算法小组，开始探索如何将人工智能技术融入产品。自2024年起，追觅扫地机率先将强化学习引入扫地机研发。

在扫地机产品上的变化，是把“决策”从规则中解放出来，交给系统实时完成，边走边算。

这背后，是路径规划逻辑的一次根本性变革。

传统方案通常采用“全局规划+局部避障”的组合方式，先用算法规划一条完整路径，再在执行过程中局部调整。

问题在于，这种方式天然是“分段式”的，一旦环境发生变化，就需要不断中断、重新计算。

追觅扫地机引入强化学习后，决策逻辑转变为另一种模式：系统不再依赖固定路径，而是根据当前感知结果持续输出下一步动作。

这带来的变化是用户可以直接感知的：

当人或宠物走动时，扫地机不再停下来等待，而是顺势绕开；

在桌椅腿之间，它不再来回试探，而是连续调整路径顺利穿过；

在狭窄空间里，很少触发保护性后退，而是一次性通过。

这些变化很难用参数衡量，但会明显改善使用体验。

更重要的是，“想”的过程不仅发生在路径层面，也体现在人机交互上。

追觅扫地机能够将用户的自然语言直接转化为清洁指令，自动解析清洁强度、范围、方式等参数并生成任务。这使得机器的决策既包含对环境的判断，也包含对用户意图的理解。

但如果“想”无法转化为动作，系统依然是不完整的。

这就是为什么追觅扫地机将能力从算法层延伸到了结构层。

通过全球首创的仿生机械臂，在识别到墙边或桌腿时，拖布和边刷会主动外扩，补足边角；在门槛或滑轨位置，会先判断是否可通过，再通过首创的仿生机械足抬升完成越障。

这些动作并非预设触发，而是决策结果的直接延伸。

当这些环节被连为一体后，扫地机就不再是“移动+清洁”的简单组合，而更接近一个完整的行为系统。

也正是在这里，差异开始真正被拉大。

03 全球第一背后：选择、工程与研发投入

在感知方案上，行业长期主流是单目视觉或激光雷达。路线清晰、成本可控，但在弱纹理、暗光、高反光等复杂环境中，始终存在天花板。

追觅扫地机的“超广角双目+主动光+3D感知”，其实是一条更“重”的路线。

这类决策看似只是技术路线差异，本质上却是在做取舍：是满足于“够用”，还是为了更强的环境理解能力，主动选择一条更难、但上限更高的路。

真正体现追觅扫地机实力的，是把这条路线成功落地于产品中。

以双目方案为例，它并非简单增加一个摄像头，而是一整套系统级重构：更大视场角带来的畸变与边缘信息处理问题；主动光与镜头、ISP之间的协同调校；不同材质、不同光照下识别稳定性的波动；以及最终成像效果对识别模型的影响……每一个环节都决定着最终体验的上限。

一位工程师提到，为了把产品打磨到极致，许多细节需要反复优化十几版甚至几十版，再放到大规模内测场景中反复验证。

决策系统同样如此。从规则系统切换到强化学习，需要重构整套决策机制，包括数据如何组织、模型如何实时推理，以及在有限算力下如何稳定运行。

再往下，执行层同样考验系统能力——传感器与ISP决定输入质量，电机响应决定路径是否连续，结构件设计决定策略能否真正落地。正因如此，即使技术框架相似，不同产品的体验差异依然明显。

追觅扫地机真正建立起来的，是将复杂能力持续产品化的系统工程能力。

AI系统的上限最终取决于数据与训练体系。但扫地机的数据分散、不可控，而且许多关键场景很难高频采集。

追觅扫地机的做法是引入仿真训练，与真实数据形成闭环。

基于英伟达的仿真平台，团队可以构建成千上万种家庭环境，让模型在其中完成大规模训练。单个阶段即可生成数十万级数据，4000台虚拟机器人24小时运行，相当于在极短时间内积累数年真实使用经验。

本质上，这是用工程手段解决数据规模问题——不仅是更多数据，更是覆盖现实中难以频繁出现的场景。

但这同样意味着更高的投入，以及复杂系统设计的能力。

从路线选择，到工程实现，再到数据体系，这些能力会直接反映在两件事上：产品体验，以及迭代速度。

以双目方案的落地速度为例，行业内类似方案往往需要数年时间积累，而追觅扫地机在半年内完成从验证到落地，这在行业里并不常见。

这种效率背后，是更高密度的研发体系支撑——追觅扫地机研发人员占比高达70%，算法、硬件、整机多线并行推进，才能让复杂技术更快落地。

目前，追觅扫地机在30多个国家及地区市占率第一，在18个国家市占率超过40%；2026年第一季度，全球营收同比增长100%。

这些数字本身已经说明一件事：用户更愿意为更聪明的扫地机买单，享受最佳的体验。

04 扫地机学会判断之后，才是真正的机器人

这几年，扫地机的变化一句话就能概括：从“扫得干净”到“扫得合理”。

当一台扫地机开始理解环境、动态决策，并把判断转化为动作时，它就不再只是一个清洁工具，而更接近机器人。

应该说，这也是为什么扫地机会成为AI最早落地的一类机器人产品——场景足够复杂，能够不断产生新的问题；任务足够高频，能力可以持续验证和优化。

追觅扫地机这一轮的进化，本质上是把感知、决策、执行连成一个闭环系统，让机器在复杂环境中更加“像人一样聪明”。

当这种能力建立起来，它的意义就不再局限于扫地这一个场景。

在一些探索性场景中，类似的系统能力被尝试复用到更连续的任务中——识别物体、完成抓取、与其他设备协同工作。

当机器理解了环境，它能做的事情，会远多于最初被定义的那一类，它也就不再只是工具。