在机器人领域，让双足或四足机器人实现“户外长距离自主行走”，一直是比“单点跨越”更难的问题。最近 X-Humanoid 的研究展示了令人眼前一亮的成果：机器人仅靠一个前置单目相机，在无 GPS、无激光雷达辅助的情况下，连续自主行走约 1.5 公里，并一口气爬完 100 多级台阶。这背后是一个名为 SOLO 的感知与行动框架。
这篇博客不会把它包装成“机器人已经超越人类”的夸张新闻，而是从技术视角拆解 SOLO 到底解决了什么问题：单目相机为什么难做长距离测距、视觉里程计为什么会漂移、机器人如何判断台阶边界、以及这个方案离工程落地还差多远。无论你做机器人感知、VSLAM，还是只对运动控制感兴趣，这篇文章都值得收藏。
1. 单相机长时间行走的难点在哪
1.1 单一视觉输入的信息挑战
人眼能够轻松完成“看路、判断远近、踩台阶”这些动作，是因为我们拥有双目视觉、前庭系统、本体感觉共同协作。机器人如果只依赖一个相机，就等于把人类“睁一只眼闭一只眼”时的感知能力作为唯一信息来源。
单目相机输出的是 2D 像素图像，每一个像素点都丢失了深度信息。同一个物体，在不同距离下会呈现不同大小；同一张图像，也可能对应无数种三维结构。这种“一张图对应多种真实世界”的问题，在计算机视觉里称为病态问题。
机器人想在长距离行走中不撞墙、不掉沟，首先必须解决“这个物体距离我多远”的问题。单目方案没有天生的尺度感，需要借助运动、几何、语义先验来恢复距离，这是 SOLO 首先要面对的挑战。
1.2 里程漂移与尺度问题
机器人在行走过程中，需要不断估计自己的位置变化，这通常由视觉里程计模块完成。视觉里程计通过匹配连续帧图像中的特征点，反算出相机的旋转与平移。
但单目视觉里程计存在一个著名的缺陷：尺度不确定性。双目相机可以通过基线直接算出真实距离，而单目相机只能通过三角化得到“相对深度”，无法直接得到“真实米制单位”。这意味着，单目系统最初看到一堵 2 米高的墙，可能被估计成 4 米高，后续整个轨迹都会被放大或缩小。
更麻烦的是累积漂移。每一次帧间匹配都会引入微小误差，这些误差随时间不断累积。行走 10 米时误差可能只有几厘米，但行走 1.5 公里后，定位误差可能放大到几十米甚至上百米。SOLO 能走完 1.5 公里，说明它在尺度恢复和漂移抑制上做了针对性设计。
1.3 台阶等结构化地形的难点
普通平路行走，机器人只需要避开障碍物；但楼梯地形对机器人来说是一个完全不同的挑战。
楼梯的台阶高度、深度、边界线，在 2D 图像上是重复的纹理结构。算法很难仅靠单张图像判断“这是一个上坡”还是“一级级台阶”，更难判断“眼前这个垂直边缘是台阶边界还是阴影边缘”。
同时，台阶对机器人的落脚点控制要求极高。机器人必须知道下一个台阶面的精确三维位置，才能生成合适的步态。很多双足机器人项目只在仿真台阶或固定楼梯上测试，遇到室外不规则台阶就失效。SOLO 能完成 100 多级台阶攀爬，说明它不是简单的“看到障碍就跳过”，而是能够连续估计台阶结构并规划落脚点。
2. SOLO 的技术定位
2.1 SOLO 的核心思路
从名称和使用场景来看，SOLO 可以理解为“面向户外长距离行走的单相机感知-控制一体化框架”。它强调的不是用更多传感器堆叠鲁棒性，而是把有限的单目视觉信息用到极致。
传统方案通常把感知、建图、规划、控制拆成独立模块，模块之间传递粗糙的中间表示。例如先建一个全局地图，再在地图上做路径规划，最后把目标点发给控制层。这种做法在结构化室内环境中有效，但在户外长距离任务中，地图的全局一致性和实时更新会消耗大量计算资源。
SOLO 更倾向于“行为导向的感知”：机器人不需要精确重建整条街的三维地图，只需要持续回答“前方能不能走、台阶在哪里、落脚点放在哪”这几个关键问题。这类框架往往会弱化全局建图，强调局部感知、短时预测和即时行动。
2.2 从感知到行动的整体链路
一个完整的自主行走系统，通常包含以下链路：
- 图像采集：单目相机以固定帧率采集前方图像。
- 深度估计：利用单目深度模型，将 2D 图像转换为逐像素深度图。
- 特征提取与匹配：识别可通行区域、障碍物、台阶边缘。
- 轨迹生成：在局部代价地图上搜索安全路径或落脚点。
- 运动控制：将目标轨迹转换为关节力矩指令。
- 状态估计：融合视觉、惯性和关节编码器数据，更新机器人位姿。
SOLO 的价值在于把以上模块高效串联。特别是在台阶场景中，深度估计的结果会直接交给落脚点规划器，而不是等到建图完成后才决策。这种“感知即行动”的思路，和自动驾驶中的端到端方案有相似之处，但对实时性和可靠性要求更高。
2.3 SOLO 与传统多传感器方案的差异
| 对比维度 | 传统多传感器方案 | SOLO 单相机方案 |
|---|---|---|
| 硬件成本 | 激光雷达+双目相机+GPS，成本高 | 一个普通 RGB 相机，成本低 |
| 系统复杂度 | 多传感器标定复杂，故障点更多 | 系统简洁，标定难度低 |
| 适用范围 | 对光照和动态环境更鲁棒 | 依赖图像质量，夜间和强光下有挑战 |
| 尺度估计 | 激光雷达直接提供深度，无尺度问题 | 需要模型估计尺度，难度更大 |
| 重量与功耗 | 传感器组重、功耗高 | 轻便，适合小型机器人 |
单相机方案不是万能的，它在硬件约束苛刻、成本敏感、轻量化需求强的场景中优势明显。SOLO 的突破在于证明了一条重要事实：单相机方案在户外长距离任务中的表现，正在逼近多传感器方案。
3. SOLO 核心原理拆解
3.1 单目深度估计不是玄学，是约束求解
许多开发者一听到“单目深度估计”，就认为是从单张图片中“猜”出距离，实际上这是一种约束求解。
单目深度估计分为两大类：
- 基于几何的三角化方法：利用多帧图像之间的特征匹配，通过极线约束和三角化公式恢复深度。这类方法受纹理质量和运动平移量影响较大。
- 基于学习的单目深度估计：利用大量标注数据训练神经网络，使模型学习“物体语义—尺寸—距离”之间的先验关系。例如同一类物体通常有相近的实际物理尺寸，模型就可以用物体大小推测距离。
SOLO 更可能采用的是几何与学习混合方案。学习模型提供稠密的初始深度先验，几何模块通过连续帧的 SFM（Structure from Motion）结构恢复轨迹和尺度，两者相互校验。
下面是一个简化版深度估计模块的伪代码，帮助你理解整体流程：
# 伪代码：基于单目图像的深度估计 + 尺度恢复模块 def estimate_depth_with_scale(frame_seq, calib): # 1. 用预训练模型获得相对深度图 relative_depth = mono_depth_model(frame_seq[-1]) # 0~1 相对深度 # 2. 在连续帧之间提取特征点 features_prev = extract_features(frame_seq[-2]) features_curr = extract_features(frame_seq[-1]) # 3. 通过特征匹配计算本质矩阵，恢复相机位姿（带尺度模糊） pose_rel = estimate_pose(features_prev, features_curr, calib) # 4. 利用地面接触约束或已知物体尺寸恢复绝对尺度 scale = recover_scale_by_contact(relative_depth, pose_rel) # 5. 生成绝对深度图 absolute_depth = relative_depth * scale return absolute_depth, pose_rel这段代码表达的是核心链路。实际实现中，尺度恢复还会结合 IMU（惯性测量单元）数据和机器人关节编码器信息，让尺度更稳定。
3.2 视觉里程计与轨迹鲁棒性
视觉里程计是机器人回答“我走到哪了”的关键模块。常见实现方法包括：
- 特征点法：提取 ORB、SIFT 等特征点，匹配相邻帧特征，解算位姿。
- 直接法：不提取特征，直接优化图像像素灰度误差，适合纹理较弱场景。
- 半直接法：结合两者优势，部分特征点用于关键帧，部分像素用于直接跟踪。
在户外长距离行走场景中，光照变化是视觉里程计的最大杀手。上午 10 点和下午 4 点的阳光角度不同，特征点的描述子可能发生剧烈变化；雨后地面反光，也会让特征点追踪失败。
SOLO 在轨迹鲁棒性方面通常需要做以下处理：
- 周期性重定位：当机器人回到曾经过的区域时，通过回环检测修正漂移。
- 多尺度特征融合：同时使用 Harris 角点、ORB、深度特征，提升不同环境的适应性。
- 失效恢复：当特征点不足时，自动切换为纯 IMU 积分模式，等待视觉恢复。
3.3 台阶识别与步态切换
台阶识别是 SOLO 展示中最吸引人的技术点。从视觉角度看，台阶识别的难点在于：
- 台阶边缘线与阴影线难以区分。
- 台阶在图像中近大远小，投影畸变严重。
- 连续多级台阶之间纹理重复，匹配容易混淆。
SOLO 类框架的做法通常是：先通过深度图分割出“平面区域”，再分析相邻平面的高度差和共面关系，从中提取出台阶的纵向边缘和水平深度线。
一旦识别出台阶的几何参数，控制层就需要在“平地行走”和“台阶攀爬”两种模式之间平滑切换。下面是一个简化的步态状态机：
# 伪代码：步态切换状态机 class GaitStateMachine: def __init__(self): self.state = "WALK_FLAT" self.stair_height_threshold = 0.05 # 高度差阈值 5cm def update(self, terrain_info): if terrain_info.has_stair_ahead and terrain_info.stair_height > self.stair_height_threshold: self.state = "CLIMB_STAIR" elif terrain_info.has_downstair: self.state = "DESCEND_STAIR" elif self.state != "WALK_FLAT": # 离开台阶区域后恢复平地模式 self.state = "WALK_FLAT" return self.state真正工程实现时，步态切换往往不是离散跳变，而是通过轨迹优化平滑过渡。直接切断当前步态会导致机器人重心不稳，尤其是在台阶攀爬中途改变模式，很容易摔倒。
4. 从数据到训练：SOLO 如何学习
4.1 数据来源与标注
单目深度模型和地形识别模型都依赖大规模训练数据。机器人领域的数据主要来自：
- 仿真环境生成：在 Isaac Sim、MuJoCo 中模拟各种光照、地形、台阶结构，自动生成带深度标注的图像。
- 真实场景采集：在室内外不同环境采集图像，配合激光雷达生成深度真值。
- 混合数据增强：对真实图像加入亮度扰动、模糊、季节变化，提高模型泛化能力。
在台阶场景中，仿真数据特别重要，因为真实环境很难大规模采集“不同高度、不同材质、不同磨损程度”的台阶样本。通过仿真随机生成台阶宽度、高度、光照、纹理，可以让模型见过更多极端情况。
4.2 训练策略
SOLO 类框架的训练通常会分为两阶段：
- 第一阶段：在大型公开数据集（如 Depth Anything、MiDaS 相关数据集）上预训练深度估计模型，掌握通用的深度先验。
- 第二阶段：在机器人特定场景数据上微调。针对台阶、草地、石板路等常见机器人工况，让模型输出更适合运动规划的高质量深度图。
训练时还需要注意一个关键指标：深度精度不只是均方误差，边缘质量更重要。机器人规划落脚点时，台阶边缘处的深度需要非常锐利，哪怕边缘附近有些误差也没关系。因此训练损失函数通常会加入边缘感知项，强制模型在深度突变处保持清晰。
下面是一个简化的深度损失计算示例：
# 伪代码：带边缘感知的单目深度训练损失 def depth_loss(pred_depth, gt_depth, edge_mask): # 像素级 L1 损失 l1_loss = torch.abs(pred_depth - gt_depth).mean() # 边缘区域加权损失 edge_loss = (torch.abs(pred_depth - gt_depth) * edge_mask).mean() # 梯度损失：保证深度边缘锐利 grad_loss = torch.abs(gradient(pred_depth) - gradient(gt_depth)).mean() return l1_loss + 0.5 * edge_loss + 0.5 * grad_loss4.3 评估方法
评估自主行走系统，单纯看深度估计精度是不够的。通常需要多层评估：
- 感知层：深度 MAE、台阶边缘检测 IoU。
- 规划层：是否生成安全落脚点、路径曲率是否合理。
- 系统层：完整行走距离、摔倒次数、人工干预次数。
SOLO 展示的“1.5 公里 + 100 级台阶”正是系统层指标的体现。这类指标对工业落地更有说服力，因为它直接反映真实场景中的可靠性。
5. 从研究到工程落地
5.1 最低硬件配置建议
对于希望复现或借鉴 SOLO 思路的开发者，硬件并不需要特别昂贵。一个简化的配置可以如下：
传感器： - 普通 RGB 摄像头，支持 30 FPS，分辨率不低于 640x480 - 便携式 IMU（可选，用于尺度恢复和轨迹平滑） 计算平台： - NVIDIA Jetson Orin Nano 或同等算力平台 - 如果不是机载实时运行，可先用 PC 跑仿真论证算法 机器人平台： - 双足机器人或四足机器人，需要支持基于位姿指令的底盘控制SOLO 的轻量化意义正在于此：它不再把激光雷达视为标配，让低成本机器人也能完成复杂室外任务。
5.2 一个简化部署配置文件示例
在工程实践中，感知模块和运动控制模块之间通常通过配置管理解耦。下面是一个 YAML 配置示例，展示如何组织系统参数：
# 文件路径：config/solo_robot.yaml sensor: camera_topic: "/camera/color/image_raw" frame_rate: 30 resolution: [640, 480] imu_topic: "/imu/data" perception: depth_model: "depth_anything_v2" depth_input_size: [518, 518] edge_threshold: 0.3 stair_min_height: 0.03 stair_max_height: 0.25 planning: local_map_size: 3.0 # 3米 x 3米局部地图 footstep_reach: 0.45 # 最大步幅 clearance_height: 0.2 # 最小离地间隙 control: walking_velocity_max: 0.8 climbing_velocity_max: 0.3 gait_transition_time: 0.6这种配置方式让算法工程师、控制工程师、部署工程师可以在同一套代码库中独立调参，避免互相阻塞。
5.3 关键部署细节
如果要在真实机器人上部署类似 SOLO 的框架，有几个细节值得提前注意：
第一，相机标定必须重视。单目深度估计依赖内参矩阵，如果内参不准，深度图会整体失真。每隔一段时间需要重新标定，因为相机磕碰会导致内参漂移。
第二，实时性要分层。深度模型通常比较重，如果跑不到实时帧率，可以采用异步架构：慢速线程输出深度图，快速线程处理落脚点规划，两者通过时间戳对齐。
第三，安全机制不能少。当感知置信度过低时，机器人应当自动减速并进入保守模式。也就是说，如果网络对深度判断不确定，宁可停下等信号恢复，也不要硬着头皮继续走。
6. 常见误区与排查思路
无论在仿真还是真机上尝试单相机机器人，开发者通常会遇到以下问题：
| 问题现象 | 常见原因 | 解决思路 |
|---|---|---|
| 深度图出现大面积黑洞 | 图像过曝或欠曝，模型无法提取有效特征 | 调整相机曝光时间，加入自动白平衡 |
| 机器人越走越偏移 | 视觉里程计尺度漂移累积 | 融合 IMU 数据，增加回环检测 |
| 台阶识别频繁闪烁 | 深度边缘不够锐利，模型置信度低 | 微调边缘感知损失权重，提高边缘阈值 |
| 仿真表现好但真机失败 | 仿真图像与真实图像分布差异过大 | 加入域随机化，引入真实数据微调 |
| 控制延迟导致落脚点踩空 | 感知到控制链路延迟过高 | 使用预测补偿，提前生成后续步态轨迹 |
| 机器人爬台阶中途停顿 | 步态切换时间过长 | 优化轨迹过渡策略，缩短过渡时间 |
排查时建议采用由简到繁的思路。先单独跑深度估计模块，观察输出是否有明显错误；再做静置状态下的里程计测试；最后才进行整机行走实验。很多人一上来就测试全流程，发现失败后难以定位问题，这是最耗时的做法。
7. SOLO 的局限性与未来方向
7.1 当前仍需解决的问题
SOLO 虽然展示了强大的能力，但单目方案在实际落地中仍然存在几个不可回避的局限：
- 光照依赖性强。夜间没有辅助照明时，单目相机几乎失效。
- 纯色墙面、重复纹理环境容易导致特征匹配丢失。
- 高速运动时，运动模糊会让深度估计质量严重下降。
- 极端天气（暴雨、浓雾）条件下，图像信息本身就不完整。
这些局限性并不代表 SOLO 没有价值，而是提醒开发者：单目方案适合作为感知层的一部分，不适合在所有场景中孤军奋战。
7.2 未来的演进方向
从技术演进看，SOLO 的方向很可能与以下趋势结合：
第一，大模型强先验的应用。视觉基础模型能够提供对物体尺寸、场景结构的常识性理解，这将进一步提升单目深度估计的准确率。
第二，多模态轻量融合。即使在单相机基础上增加一个低分辨率热成像传感器，也可以大幅提升夜间感知能力，同时保持硬件简洁。
第三，端到端学习控制。直接从图像输出步态指令，跳过显式地图表示，这种“视觉-控制”直通的范式将在特定任务中展现出更强的适应性。
第四，云-端协作。像“solo dsp”这类轻量算力设备概念，可能让远程计算平台和本地机器人协同工作，降低机载算力压力。
从更长的时间维度看，机器人感知正在从“堆传感器”走向“堆算法”的阶段。SOLO 的出现，是这个趋势下的一次有力证明。
8. 总结与动手建议
SOLO 这次带来的核心启发是：当我们无法依赖昂贵传感器时，如何用更好的算法挖掘已有硬件的极限。单目相机虽然存在天然劣势，但通过与学习先验、几何约束、步态控制的深度耦合，仍然可以实现 1.5 公里长距离行走和 100 多级台阶攀爬。
如果你想把类似的思路落地到自己项目中，建议按以下顺序推进：
- 先跑通单目深度估计模型，在你自己场景的数据上评估精度。
- 加入视觉惯性里程计，解决尺度模糊和漂移问题。
- 构建地形分类器，把图像分割为可通行、障碍、台阶三类区域。
- 在仿真环境中调试步态切换逻辑。
- 最后在真实机器人上以低速、短距离开始测试。
每一步都值得花时间验证，不要直接跳到完整系统。机器人的摔倒通常不是某一个模块的失败，而是多个模块的误差累积。先把每个模块的误差控制好，系统整体的可靠性自然就上来了。
希望这篇文章能让你对单相机机器人感知有一个更系统的理解。如果你正在做视觉 SLAM、腿足机器人控制或深度估计相关项目，欢迎把 SOLO 的思路作为参考基线，动手验证它的核心假设。
