第一次在仓库里看移动机器人作业，容易产生一种落差感。它没有想象中那么快，拐弯前会先减速，遇到人走过来会停住，甚至会在一条通道口犹豫几秒，像在重新确认路线。旁边的工人推着拣货车从它身边经过，动作反而更利落。
这种“慢”不是产品缺陷，而是现场约束的结果。仓库是人和机器共享的空间，地面有叉车辙痕，货架会临时挪动，托盘可能只放歪了十几厘米。机器人要在这类环境里持续工作，首先要解决的并不是跑得多快，而是知道什么时候该停。
避让逻辑里藏着真正的成本
移动机器人的导航通常依赖激光雷达、摄像头和预先绘制的地图。实验室里的通道干净、光照稳定，地图建一次可以用很久。真实仓库不是这样：促销季货架加密，临时堆放区每天变化，地面反光会干扰传感器，纸箱边缘的轮廓又容易被误判。
于是工程师要把大量精力放在“不确定”上。机器人需要判断前方那个静止的物体是货架、托盘，还是蹲着理货的人；需要区分短时间停留和长期占道；还要在通道被堵住时决定是绕行、等待，还是请求人工介入。这些判断做不好，现场就会出现两种极端：要么频繁停车，效率被拖垮；要么过于激进，安全边界被压缩。
从外部看，这是一台机器在移动。从运维角度看，这是一套关于停机的规则在不断被修正。很多项目上线后的前几个月，工作重心不是提升速度，而是减少无意义的停顿和误报。
调度系统决定了单台机器人能走多远
一台机器人再聪明，也只是一台。仓库里往往同时运行多台设备，它们共享通道、充电位和电梯。如果每台都按自己的最优路线行走，结果可能是几台车在窄道里互相等待，或者同时挤向同一个充电桩。
调度系统因此变得关键。它要给任务排优先级，要预留通道，要在电量下降到某个区间时安排补能，还要处理临时插入的人工指令。这里的难点不在于算法本身，而在于规则如何与现场习惯对齐。比如拣货员习惯把空箱放在通道一侧，调度系统若把那里视为可通行区域，机器人就会反复卡住。
我倾向于认为，机器人在仓储场景的落地程度，更多取决于调度规则和现场管理的磨合，而不是单机性能的纸面参数。设备只是执行端，真正决定流畅度的是任务怎么分配、通道怎么占用、异常怎么交接。
维护窗口是容易被忽略的一环
机器人需要充电、清洁传感器、检查轮组和紧固件。仓库通常不愿意为维护留出整段时间，于是维护被拆成碎片，塞进换班间隙或夜间低峰。问题在于，碎片化维护容易漏项：镜头上的灰尘没擦，导航就会偶发偏移；轮胎磨损到一定程度，停车位置就会偏差几厘米，进而影响取放货精度。
有些团队会把状态数据接进运维看板，提前发现异常趋势。这听起来像常规做法，但真正难的是让现场人员愿意看、看得懂、并且知道该做什么。数据本身不解决问题，能把“某台设备最近停车次数变多”翻译成“去检查通道口那盏新装的射灯”，才算闭环。
回到开头那个场景。机器人在通道口停了几秒，然后换了一条路线继续走。这个动作不惊艳，却是它能在仓库里长期存在的原因。对机器人而言，学会慢下来、学会等待、学会把异常交给人，可能比多跑几公里更接近真实的生产力。