标签：物联网、RFID、机器人
一个朴素的算术题
一个 1 万平方米的立体仓库，货架高 8 米、过道 200 条，用人工持手持机盘点一次：两个人，走大约 25 公里，用时一周。每季度盘一次，是很多企业的常态——不是不想多盘，是人盘不动。
固定式 RFID 读写器解决了出入口和通道的自动识别，但有个覆盖不了的死角：货架内部。深货架上层的货箱，固定天线打不进去；密集存放的堆垛，天线贴到跟前才能识别。货架内部恰恰是盘点盲区最集中的地方。
机器人巡检盘点，就是冲着这个死角来的：把 RFID 读写器和天线装到 AGV 上，让机器人替人走那 25 公里。这篇文章聊移动盘点机器人的系统架构、核心技术难点和落地判断。
一、系统架构：一台机器人 + 一个调度大脑
移动盘点系统的架构分两层：机器人本体和调度平台。
机器人本体的载荷很明确：RFID 读写器（通常 2~4 通道）+ 天线组（前向 + 侧向，覆盖过道两侧货架）+ 边缘计算单元（本地防抖去重，减少无效数据回传）+ 导航定位（激光 SLAM 或二维码导航）+ 安全组件（激光避障、急停）。
一个关键的架构决策是：识别逻辑放在机器人边缘侧，而不是全量回传平台处理。机器人在过道里以 1~2 m/s 的速度行进，每秒产生几百条原始事件，其中绝大多数是重复读。边缘侧完成防抖、去重、按货架段聚合后，回传的是"这个货架段识别到哪些 EPC"的结论级数据——回传量下降两个数量级，平台侧的处理和存储压力同步大幅降低。
调度平台负责四件事：任务编排（什么时候盘、盘哪些区）、路径规划与调度（多机协作时的过道分配）、数据对接（任务下发、结果回传、与 WMS/资产系统对账）、运行监控（机器人状态、覆盖率、异常）。
二、核心技术难点一：覆盖率怎么保证
盘点业务对覆盖率的要求是苛刻的：漏掉一个货位，盘点结论就不可信。固定式系统靠"天线固定、覆盖固定"天然保证覆盖，移动系统则要靠路径设计主动保证：
第一，覆盖模型前置。 把仓库的货架布局转成"可盘点图"：每条过道、每个货架段是一个覆盖单元，机器人沿过道行进时，天线覆盖范围与货架段的映射关系预先建模。任务规划的输出不是"去盘 A 区"，而是"依次覆盖这 47 个货架段"。
第二，行进速度与读取窗口匹配。 速度太快，天线在单个货架段的驻留时间不足，密集标签漏读率上升。工程做法是分档速度：密集货架段降速通过，空旷过道提速。速度档位与货架段属性一起存在覆盖模型里。
第三，重扫机制兜底。 对识别率异常的货架段（识别数与预期库存差异过大），调度系统自动生成重扫任务：换向重过一次，或机器人贴近补扫。一次巡检的覆盖率目标通常定在 98% 以上，剩余差异段由重扫消化，两轮之后仍未收敛的才转入人工复核——机器人负责 98%，人负责最后 2%，这个分工才是 ROI 最优的。
# 巡检覆盖率核算与重扫调度（首码信息移动盘点系统 · 调度节选）
def plan_rescan(task_run):
segments = task_run.covered_segments() # 本次已覆盖货架段
low = [s for s in segments if s.confidence < 0.95] # 置信度不足的段
for seg in low:
if seg.attempt >= 2: # 两轮仍未收敛
assign_manual_review(seg) # 转人工复核
else:
schedule_robot(seg, direction="reverse", # 换向重扫
speed=seg.low_speed_profile)
return coverage_report(task_run, segments) # 覆盖率报告入盘点档案
三、核心技术难点二：动态环境下的稳定性
仓库不是实验室，机器人要面对三个动态变量：
货架与库存的变动。 覆盖模型不能一劳永逸——货架新增、移位、过道临时堆货，都会让预置地图失真。解法是地图版本化管理：仓库布局变更走流程更新覆盖模型，机器人每天首巡做一次轻量"地图校验"（对比过道净空与预期），发现偏差即告警，避免机器人"按旧地图跑新仓库"。
人机混行。 白天叉车、人员与机器人共享通道，安全永远是第一位。成熟的部署模式是时间窗分区：机器人主巡检放在夜间或交接班低峰，白天只执行补扫和异常核查这类短任务；避障策略上，机器人遇人即停、让行优先——盘点晚一点没关系，安全没有重来。
射频与导航的相互影响。 大功率射频对部分激光/视觉导航组件存在干扰案例，虽然比例不高，但选型时要确认机器人厂商与 RFID 设备的兼容性清单，天线布局尽量远离导航传感器视场。
四、与固定式网络的融合：一张识别网，两种节点
很多仓库已经是"固定式 + 手持"的混合架构，机器人不是推倒重来，而是往识别网里加入一种新节点：
- 固定式读写器继续负责出入口、通道门、产线节点的"边界事件"；
- 机器人负责货架内部的"纵深扫描"；
- 手持终端负责异常处置、单件核验和机器人到不了的角落。
三者的识别事件进入同一个归一化通道（统一的事件模型、去重规则与时间戳基准），对 WMS 和资产系统而言，事件来自哪个节点是透明的。融合架构的核心是事件归一，而不是设备各自为战——这一点与固定式多设备接入的设计原则一脉相承。
五、ROI 判断：什么场景值得上
机器人盘点不是万金油，投入产出在三这类场景下最清晰：
- 高货架、密集存储的立体库——固定式盲区大、人工登高危险，机器人价值最大；
- 盘点频次要求高的场景——金融押品、医药 GSP、电商仓，需要日盘或周盘，人工频次根本跟不上；
- 夜间无人化运营的仓库——机器人盘点天然适合无人时段，人力零占用。
反过来，小面积、低货架、盘点频次低的仓库，一套手持机的投入产出比更实在。给个粗略的分界：当"盘点频次 × 覆盖面积"的乘积大到人工成本超过机器人三年摊销时，就到了切换点。
六、写在最后
移动盘点机器人没有改变 RFID 盘点的任何算法原理，它改变的是感知节点的空间自由度——把天线从"固定在天花板和门上"解放为"走到每一排货架跟前"。固定式负责边界，机器人负责纵深，手持负责补漏，三层感知合起来，"库存账实实时相符"才真正从口号变成工程事实。
机器人盘点系统的成熟度曲线正在快速爬升，落地建议从小规模试点起步：先让一台机器人盘一个库区，用两轮巡检验证覆盖率模型和差异收敛速度，再谈规模化。
文中的覆盖模型与调度设计为通用工程方法，欢迎交流移动盘点落地的具体问题。
