宸境科技WAIC：导航与数采补齐具身智能落地关键链路

2026年7月，上海WAIC。 走进具身智能展区，一种混杂着焦虑与狂热的微妙氛围扑面而来。两年前，这里只有18家企业在尝试；去年飙升至80家；到了今年，参展数量已悄然突破200家。 增长速度比摩尔定律还快，这背后不仅是终端玩家在发光发热，模型算法的架构红利走到阶段性瓶颈后，那些过去藏在深水区下的数据基础设施玩家，也开始浮出水面。宸境科技就是其中典型代表。

一、数据如何成为具身智能的阿喀琉斯之踵

要理解数据对具身智能有多重要，自动驾驶是个很好的参照系。 把具身智能拆开来看，智能驾驶其实只是其中一个特定的子任务。但即便是特斯拉和国内一众造车新势力，在数百万用户数据源源不断上传云端、死磕了近十年的情况下，面对各种离奇的Corner Cases时，依然战战兢兢。 而具身智能面对的场景，复杂度比自动驾驶高出了不止一个数量级： 第一层，是从二维到三维的几何升维。汽车只需要处理X-Y平面的移动，但机器人的手眼协调，是在完全开放的三维空间里进行的。 第二层，是自由度的指数级爆炸。汽车只有方向盘和油门刹车，人形机器人的自由度动辄几十个，这意味着可能的动作范围呈指数级增长。 第三层，则是严重的数据不对称。相比自动驾驶，能提供优质数据反馈的机器人数量，少得可怜。 更关键的是，具身智能需要的不是普通的视频数据，而是带有空间结构和任务逻辑的具身经验。 “互联网上多的是海量视频，但对具身智能来说，没有可靠位姿的视频只是垃圾素材。”宸境科技相关专家直言，“二维地图只需要描述平面，而机器人需要知道自己在三维空间里的绝对位置、姿态、运动轨迹和任务状态。只有具备稳定轨迹、时间同步、空间对齐和质量评估的数据，才算得上是可训练的硅基经验。而这些，需要的是SLAM/VIO、鲁棒的6DoF轨迹、实时在线输出和轨迹评分等能力。” 过去一年多，宸境科技正是看准了这块数据荒漠，凭借Insight空间智能相机、TinyNa v导航算法库等底层组件，拿下了头部大厂的合作。

但到了今年，宸境科技发现，行业的痛点已经不限于单一的硬件或导航算法。一套可规模化采集、可验证、可复用的数据闭环基础设施，才是让各大具身智能终端快速进化的根本。 也是因此，在今年的WAIC展台上，这家以物理AI基础设施为标签的公司，推出了两款代表性产品：Looper具身智能数采系统与Na vCore具身智能自主导航大脑。 它们所针对的，正是具身智能行业在数据层面遇到的两大难题：真实世界的高质量数据如何规模化量产，以及机器人本体端如何实现高稳定的环境感知与自主导航。

二、Looper数采系统：给机器人装上第一视角学习能力

在具身智能数据采集的战场上，目前有三种主流技术路线：遥操作+VR、可穿戴多视角、固定多机位Studio。 遥操作最大的优势是能直接获得机器人动作数据，适合训练机器人执行策略。但它通常依赖专用设备，采集成本高、效率有限，数据分布也容易受到机器人本体形态和操作方式的限制。 固定多机位采集可控性强，能获得高质量、多视角数据，但依赖特定场地和设备，很难覆盖家庭、工厂、商业环境中的大量真实任务和长尾场景。 考虑这些背景，Looper选择了Ego-centric多视角方案。它的核心理念是：让人类戴着机器人视角去完成任务，把人类数万年积累的肉身经验，无感地、低成本地转化为机器人看得懂的数字资产。 在业内看来，这种最接近人类完成任务时的感知方式，同时也是最有潜力、较低成本实现真实场景数据规模化的路线。

配置上，Looper采用了头部+双手的黄金组合多视角方案：头部Insight相机负责记录第一视角视觉信息、空间环境和自身运动轨迹；双手相机负责捕捉近距离操作细节，包括手部运动、物体交互和局部空间变化；背包端则提供边缘计算、同步记录和数据存储能力。 但这绝不是简单地把几个摄像头绑在身上录像。“采集数据容易，采集有效数据才是壁垒。Looper做的是采有效数据、采高质量数据。”宸境科技联合创始人兼首席运营官颜沁睿给了一个例子：数据采集过程中，多相机之间的空间和时间对齐是一个非常关键的行业难点。如果不同视角下的图像、深度信息、惯性数据和位姿轨迹无法在同一个时空坐标系下保持高频同步，训练出来的机器人就会动作失调。 针对这个问题，宸境科技选择了在端上直接完成VSLAM的6自由度轨迹计算并输出的技术方案。 过去做具身智能数据采集，行业通用做法是采集一整天，拿回去用服务器离线跑几天三维重建，才发现数据对齐失败，整批报废。而Looper借助端上直接输出VSLAM，在现场就能实时知道每一帧画面的空间位置，不合格当场重测。 该方式的另一大优势在于，图像、IMU和6DoF轨迹在端侧天然对齐，后续的三维重建和任务切分成本呈断崖式下跌。 最终检索时，客户拿到的也不是一堆无序的视频文件，而是可以按照空间区域、运动轨迹、任务阶段精准检索的高质量经验包，真正让原始视频转化为可学习、可验证的数据。 据悉，宸境科技还正规划推出新一代四目大视场数采头环，核心优化方向为轻量化佩戴、无束缚自然采集。全新方案将还原人类分层感知逻辑：以余光兼顾全局环境，视线锁定身前交互物体，从感知底层完成机器人数据采集方案升级。

三、Na vCore导航大脑：如何让机器人从能走路到会走路

如果说Looper解决的是数据生产问题，那么Na vCore要解决的则是机器人的自主导航问题。 过去，具身智能公司在导航这件事上，过得像个高级系统集成商：从A厂商买相机，去B厂商挑算力板，找C团队买定位算法，然后研发团队通宵达旦地写驱动、调校传感器、对齐时间戳。 这还不算完。现场部署中，无线网络频繁掉线、多板卡供电不均、接口适配等琐碎的脏活累活，往往会吞噬掉研发团队大量时间。 此外，在整个链路中，相机的微小延迟会放大定位误差，定位误差会直接污染全局地图，地图更新慢了又会导致路径规划撞墙。任何一个环节抖动，都可能直接导致任务失败。 更不用说，对比过去的2D导航方案，3D导航在相同分辨率下，数据量会提升一个数量级以上，同时还会增加点云处理、碰撞检测和路径规划的计算压力。 软件算法的难度升级了，但硬件上面临的条件也更苛刻了：过去基于2D的自动驾驶，可以搭载在庞大的汽车上；而具身智能需要把3D导航能力部署到低成本嵌入式平台上。 面对这些问题，Na vCore的做法是：大集成与标准化。它把复杂的机器人导航工程封装为可部署产品，使客户无需从零搭建感知、算力、建图、定位和导航链路。

硬件上，它以NVIDIA Jetson系列作为算力底座，深度融入全球主流开发者生态；同时将自研的Insight空间智能相机、计算、通信、电源管理进行模块化一体设计，降低集成复杂度。 这里比较值得一提的是宸境科技自研的Insight空间智能相机。传统摄像头只要在固定机位把画面拍清楚就解决了90%的问题，但在具身智能场景，不仅需要高画质，还要有足够大的视场、极低的感知延迟、可靠的传感器同步，以及在振动、急转、弱光、强光和动态遮挡下持续输出稳定位置和姿态的能力。

这种需求决定了镜头、传感器、惯性测量单元、芯片和算法不能各自独立设计。为此，Insight采用了188度超广角视场、工业级惯性测量单元和端侧算力，在设备本地完成视觉定位、深度计算和空间感知，让具身智能不仅能看得见，也能精准理解复杂的空间关系。 在软件算法上，宸境科技通过算法裁剪、计算优化、硬件加速以及模型量化压缩，把原本需要服务器级别算力的空间智能，塞进了低成本的机器人端侧，还能长期稳定运行。 此外，考虑到过去很多机器人项目都需要针对不同本体和不同场景重新做一套系统集成，包括传感器选择、算力适配、驱动开发、坐标系标定、算法部署和现场调试等。这导致机器人开发周期长，方案难以复制，也是行业规模化落地的重要瓶颈。 Na vCore不仅内置了宸境硬核的TinyNa v视觉导航算法，还提供基于ROS2的标准化接口输出。无论是人形、四足、AMR还是无人机，还是智慧园区全域空间感知与多机器人调度、工业巡检厘米级自主巡检与动态避障、港口物流复杂环境实时导航与任务执行、文旅导览智能路径引导与沉浸式讲解等场景，都能快速迁移、开箱即用。 通过对整个导航链路的底层重构，Na vCore把行业最复杂、最容易踩坑的集成工作都以标准化接口输出。具身智能的研发团队，自然能把有限的精力释放到上层的任务智能和应用场景中，加速创新。

四、尾声

伴随场景从固定轨迹的简单Demo走向充满不确定性的现实场景，具身智能正迎来它的乘人礼。 未来三到五年，能否把数据闭环、感知导航、本体控制这些看不见的环节做扎实，会成为新的行业生存标准。 宸境科技在WAIC上交出的这两个答卷：Looper是要把人类在物理世界中沉淀了数万年的劳动力经验，低成本、规模化地编码进数字世界；Na vCore在物理世界的连续性与不可逆性中，为机器人画出确定性的行进路线。或许，这正是其中关键。 也只有无限的人类经验开始通过标准化的管道源源不断地喂养模型，自主导航的工程门槛被降低到开箱即用，具身智能才有可能真正跨越从昂贵Demo到通用劳动力的关键一步。