货叉比车轮更难。
图 | HK STP
来源 | 旧地图OldMap
无人叉车演示通常从启动、规划路线、避障到送达货位。画面中最显眼的是车辆移动，但决定客户能否真正撤掉司机的关键，却发生在极短的交接距离内。
当货叉距托盘仅剩20厘米时，导航基本完成。此时，机器需精准判断叉孔位置、货物姿态、门架高度及偏差。面对倾斜的托盘、变形的料笼、停偏的车厢或被人工移动的货位，货叉一旦插错，轻则任务中断，重则撞毁货物与货架。
VisionNav长期强调视觉导航、全车型和深水场景。真正使其具备辨识度的，是公司始终沿着“货物交接”扩展能力：涵盖高位叉取、非标载具堆叠、车厢装卸、自动叉距，并结合BrightEye外部视觉与RCS系统维持货位与任务的一致性。
它试图自动化的并非车辆行驶本身，而是熟练叉车司机到位后完成的判断与手上动作。
本期聚焦VisionNav最难被普通导航能力替代的产品层：车载感知、货叉控制、外部视觉与RCS如何协同完成货物交接；这项能力为何能进入高价值场景，又为何可能将技术壁垒转化为持续增加的交付负担。
走到只是开始
普通AMR主要解决平面移动，任务是取标准载具、沿地图行驶、在指定区域停下。无人叉车则多了一套机械动作，也随之增加了一套失效方式。
车辆精准定位只是第一步，它还需知晓货物位置、叉孔角度、货物是否超出托盘以及货叉能否安全插入。即使车身停准，门架和货叉仍会受载重、惯性、地面及机械公差影响。高位存取时，门架升高会导致晃动与形变；进入车厢时，坡度、光线与狭窄空间同时变化。
VisionNav早期用视觉定位降低对磁条和反光板的依赖，后逐渐采用视觉、3D激光等多传感方案。导航传感器决定车辆如何到达附近，而视觉伺服和控制系统则决定货叉如何根据实时偏差继续动作。这条控制链要求感知结果直接进入运动控制，包含识别、计算、调整、执行、检查与修正，绝不能仅停留在精准的图像标注上。
这正是VisionNav产品矩阵看似分散，实则围绕同一核心问题扩展的原因。无论是处理高位货架的前移式叉车、应对不同载荷的平衡重叉车、进入狭窄通道的SLIM车型、长距离转运的牵引车，还是动态车厢装卸车，车型虽变，客户付费的核心仍是替代司机完成的托盘动作。
“最后二十厘米”不是精度口号，它是自动化系统中责任最集中的位置：车辆、货物、现场和信息系统在此完成最终交接。
两双眼睛闭环
仅靠车载传感器，车辆能看见近处的货，却无法持续掌握整个仓库的动态。
现实中货位常发生漂移：工人临时放下托盘、人工叉车补货推动前排料笼导致WMS库存位置未及时更新，或货物遮挡导致车辆抵达后才发现目标不存在。此时导航完全正确，任务却无法执行。
VisionNav的BrightEye系统提供了第二层观察。车载视觉处理眼前货物与货叉的相对关系，场地中的外部摄像机持续识别货位与物体状态，RCS再将现实变化转化为新的位置和任务信息。
以马自达项目为例，保管区铁托盘多列堆放，人工叉车补货会推动原有托盘导致位置变化。项目安装14台摄像机监测实际位置，自动更新RCS中的货位状态，大幅减少人工重新登记的工作量。
这解决了工业数字化中的一个常见断层：系统仓库与现实仓库脱节。外部视觉将货物变化实时写回系统，使无人叉车无需抵达后才发现指令错误。
BrightEye让VisionNav从单车能力延伸至环境数据层。不过，其当前最确定的价值仍是提高整套无人叉车方案的可用性，尚未证明已形成独立软件收入或长期订阅模式。
“两双眼睛”必须与RCS闭环才有意义。摄像机识别托盘并不直接产生价值，系统需判断其所属任务、是否可叉取、执行车辆及库存更新。VisionNav的产品边界由此从“看得见”延伸至“看见后能否让物流持续流动”。
难动作更值钱
无人叉车行业中最易陷入价格战的是标准平面搬运。VisionNav主动切入的场景，其价值正来源于偏差与风险。
汽车工厂大量使用铁料笼和工装架。这些载具长期使用易变形，空满笼重心不同，支柱未必对齐。在相关项目中，VNP15需完成折叠铁料笼的堆叠与拆垛，检测上下层重合度并自动补偿，稳定运行率超99%。这充分说明了客户对视觉伺服的需求远超普通到点停车。
卡车装卸进一步放大了变量。停靠偏差、光线突变、地板坡度及极小的货物间隙，要求无人叉车在狭窄空间内自行识别并调整。此处的竞争优势不在于最高行驶速度，而在于应对多变条件的自适应能力。
高位存取则将单次误差的成本无限放大。货物升至数米时，门架形变、视野受限与重心变化同时出现。客户愿为此支付溢价，因为它替代的是更危险、技能要求更高的工作。
这些“难动作”构成了清晰的商业定位。VisionNav无需在所有场景中标最低价，只需在普通方案无法稳定交接的流程中，让客户在不重建仓库的前提下，替换高频、危险或难招人的叉车任务。其价值直接对标司机薪资、货损及大型自动化改造成本。
VisionNav的高价值场景只有在持续运行数据中才能成立。峰值速度只是采购敲门砖，人工校正、货损、停线和异常恢复等干预指标，才是决定最终回报的关键。
壁垒也会变重
“最后二十厘米”之所以形成壁垒，是因为其中充满无法从通用地图获取的隐性知识：托盘偏差容忍度、铁料笼重试机制、门架载重补偿、车厢光线对传感器的影响，以及货物被移动后的库存恢复策略。
项目越多，经验理论上越有价值。前提是这些经验能沉淀入产品，而非停留在工程师的个人电脑或现场临时参数中。
非标载具极易将壁垒转化为负担。每家客户的托盘、铁笼、货架和安全流程各异。每解决一种偏差，虽能宣称场景能力增强，但也可能新增一套需长期维护的配置。项目激增会导致研发版本、备件和售后复杂度同步攀升。
判断VisionNav是否拥有可扩张壁垒，关键在于同类场景能否收敛为标准产品包。例如，料笼堆叠方案需明确载具尺寸、允许变形量、传感配置与验收工况；装卸车方案需定义车厢、月台、光照与停车偏差边界。边界越清晰，本地伙伴越能独立交付，总部越能摆脱每个项目均需重回现场的困境。
异常恢复能力尤为重要。连续数千次任务中的人工介入次数，才决定了客户是否真正省掉了司机。每万次任务干预数、自动重试成功率、平均恢复时间等指标，比最高货架和定位精度更能反映产品成熟度。
目前VisionNav主要披露累计项目与典型案例，未公开上述运行指标。这留下了关键的判断边界：公司已证明能完成众多“难动作”，但仍需证明随着复杂场景增多，单位交付和服务成本能够下降。
VisionNav要守住优势，不能仅靠“先发优势”，而需在复杂场景的交付周期、自动恢复和跨车型复用上持续领先。只有当历史项目沉淀为统一的感知、控制与配置工具，才能真正阻挡后来者凭借成熟渠道发起的追击。
结语：车轮与货叉的交接
VisionNav最鲜明的产品位置，不在无人叉车大类，也不在视觉导航这一通用标签，而在于它长期占据自动化最易断开的交接处：机器已走到货物面前，仍需像熟练司机一样判断偏差、控制货叉，并让现实货位重新回归数字系统。
这项能力使其切入高位、料笼和装卸车等高价值场景，也让“少改现场”成为可销售的改造路径——客户无需将旧仓彻底规则化，由机器承担更多适应工作。
然而，同一选择也规定了公司的上限。若“最后二十厘米”只能由总部工程师逐车调试，这便是一门技术深厚的项目生意；若载具偏差、叉取策略和环境数据能收敛为标准产品，实现本地伙伴的反复交付，复杂现场才会成为难以替代的资产。
车轮决定机器人能否抵达，货叉决定客户能否撤掉司机。VisionNav最锐利的核心竞争力，正发生在两者之间。