一台真正聪明的扫地机，应该能在复杂环境中自己做判断：什么时候该绕开，什么时候重点清洁，什么时候灵活避让。

这本质上，是一整套系统能力的体现。

追觅扫地机给出的答案是，把AI变成一条完整链路：从感知环境、理解场景，到做出决策，再到完成动作，形成连续闭环。

过去几年，扫地机行业经历了两轮升级：从比吸力、参数，到比导航、覆盖率。而今天，竞争开始转向复杂环境中的智能判断。

一位参与研发的追觅工程师对雷峰网提到：“我们想做的，不只是看见，而是在看见之后，进一步服务于清洁能力升级。”

换句话说，今天扫地机之间的差距，已经不在执行能力，而在决策能力。

从市场表现来看，这种变化正在被验证。2026年一季度，追觅扫地机全球营收同比增长100%，在多个高端市场持续领先，并获得欧睿国际“全球高端扫地机器人销量第一”的认证。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“自主判断”，它到底改变了什么？

01给扫地机做一双眼睛

在追觅扫地机X60 Pro这一代产品上，变化是从“看见”开始的。

要做到业内最强的感知能力，追觅扫地机选择了一条更激进的路径，在行业内率先落地超广角双目灵动导航避障技术。

相比传统单目视觉，这套方案通过双RGB AI摄像头、主动光散斑与3D感知，让扫地机不再只是看到物体，而是直接获得稳定的空间深度信息。简单来说，它不只看到有什么，而是知道在哪里、多高、能不能碰。

这带来了一组非常关键的能力变化——可识别280+类物体；最小感知高度低至3mm、对5mm以内低矮障碍物实现100%避障；在动态环境中，0.3秒内完成判断，导航效率提升约50%。

参数本身并不新鲜，但共同指向一件事：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，本质都是间接理解空间。要么通过点云拼接环境，要么通过图像“猜”距离。这是为什么上一代扫地机常常会出现一些奇怪的行为：在桌腿之间反复试探、在阴影区域停顿。问题不在算法本身，而在输入信息不稳定。

追觅扫地机这套“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深度信息，从看见轮廓，走向理解空间。

更重要的变化在于：感知不再只为避障服务，而是进入清洁决策。

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

类似的变化，也延伸到人机交互。

目前，追觅扫地机支持多语种与方言语音控制。用户不需要记住标准指令，只需说“轻轻拖一遍地”“不要太湿，扫一下客厅”，系统就可以自动匹配清洁策略。如果表达不清晰，机器甚至会追问，补全信息。

从环境到人，扫地机正在完成同一件事：从“识别输入”，走向“理解意图”。

把时间拉长来看，这种变化并不孤立。

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。

到这里，覆盖率问题基本被解决。但真正影响体验的，是剩下那一部分更细微、更复杂的场景——动态环境中的实时处理能力。

在人走动、宠物穿行、地面不断变化的真实家庭环境中，扫地机需要持续感知、持续更新，而不是依赖一套固定输入做判断。

这也是为什么，“看见”这件事，必须被重做。

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追觅扫地机把“看、想、做”连成了一件事

“看见”解决的是输入问题，真正拉开差距的，是“接下来怎么做”。

扫地机面对的，从来不是标准化场景。

同样是地面上的物体，处理方式完全不同。散落的珍珠、细小戒指等细小贵重物品需要避开，面包屑、猫砂、泡沫碎屑等需要清洁。系统不能再用一套统一规则处理所有情况。

过去主流扫地机，本质是一套规则驱动的系统：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，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算好的，动作是规则触发的，一旦变化超出规则覆盖范围，机器只能保守处理。

早在2021年，追觅扫地机便组建了AI算法小组，开始研究如何将 AI 技术融入产品。2023年起，追觅扫地机便率先将强化学习引入扫地机的研发。

在扫地机产品上的变化，是把“决策”从规则里拿出来，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变化。

传统方案通常采用“全局规划+局部避障”的组合，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“分段的”，一旦环境发生变化，就需要不断中断、重算。

追觅扫地机引入强化学习之后，决策逻辑变成另一种方式。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，是可以被直接感知的：

在人和宠物走动时，扫地机不再停下来等待，而是顺势绕开；

在桌椅腿之间，不再来回试探，而是连续调整路径穿过；

在狭窄空间中，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，但会明显改变使用体验。

更重要的是，“想”的过程，不只发生在路径层，也体现在人机交互上。

追觅扫地机可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。这让机器的决策，既包含对环境的判断，也包含对人的理解。

但如果“想”无法转化为动作，系统依然是不完整的。

这也是为什么，追觅扫地机把能力从算法层，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，并不是预设触发，而是决策结果的直接延伸。

当这些环节被连在一起后，扫地机就不再是“移动+清洁”的组合，而更接近一个完整的行为系统。

也正是在这里，差异开始真正被拉开。

03全球第一背后，是选择、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。路径清晰、成本可控，但在弱纹理、暗光、高反光等复杂环境中，始终存在上限。

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，看起来只是技术路线差异，本质上是在做取舍：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能力的，是把这条路线真正做到了产品里。

以双目方案为例，它并不是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，很多细节需要反复打磨十几版甚至几十版，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，是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。也正因如此，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，是把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，而且很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，去解决数据规模问题。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第一，在18个国家市占率超过40%；2026年一季度，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扫地机会判断之后，才是机器人

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。

在雷峰网(公众号：雷峰网)看来，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。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。