就在这个场地，就是这台机器，能做什么，做不到什么

具身智能落地涉及两层性质不同的工作。一层关乎环境本身：这片场地能不能立得住、能不能通过、能不能抓取、哪里是隐蔽和暴露的边界。这些属性跟随场地和物体的物理结构变化，跟当下执行什么任务关系不大。另一层关乎策略：这一刻走哪条路、要不要抓这个物体、要不要靠近。这个判断随任务目标变化，是策略层的事。

Environment Affordance™ 不需要客户长期集成、持续调用。比起传统的仿真引擎，它更接近智能设备部署前的独立验证方。像岩土工程勘察在施工前对场地出具一份勘察报告，像渗透测试在系统上线前对安全性出具一份漏洞报告，Environment Affordance™ 在机器人正式部署前，对「这台机器人在这片场地能不能安全落地」这个问题，给出一份可审计、可复现的验证结论。

交付物包括标注文件、测试报告和场景库，不绑定客户的技术栈。真正决定价值的，是什么样的标注算合格、构造哪些失败场景才算测得全面，而不是数据网络效应或调用规模：我们致力于把这套标准耐心做扎实。

技术能力和部署能力如齿轮般相互挑战、启迪和促进，过去十年我们正是这样过来的：完整交付过多源数据融合大场景建库（倾斜摄影、点云、BIM、卫星影像），TB 级三维数据的快速承载与流畅可视化，国产 CPU 全架构兼容与私有化部署，特种工业级红蓝对抗场景自动生成与标准化裁评，以及可视域分析、阴影体、开敞度分析等地信算法。计算几何与空间分析是我们的舒适区。

面对层出不穷的新需求，是否时刻需要发明新技术？我们的选择是，未必「全换工具」，而是优先「更换提问方式」。在面向具身智能时，我们没有另起炉灶，却把观察者从「人」换成「机器」，即从「解析场地」到「面向机器，解析场地」。

也基于重构的提问方式，我们把已有能力做出如下转化：三维环境仿真与空间分析，代入机器人的本体参数，成为面向客户的环境可为性标注服务；红蓝对抗场景生成与标准化裁评，把攻防对象从场地换成机器人的感知系统，构建感知欺骗场景库；可视域、阴影体、开敞度这类经典地信算法，把观察者从人换成机器本体，于是有了按本体参数自动计算可为性的工具链。我们将在下方逐一展开。

「可为性」（affordance）是生态心理学和设计科学的概念，指的是环境与某个特定身体之间，哪些动作是可能的。比如一个坡道对山羊来说意味着可以攀爬，对一条鱼来说什么都不是。一扇门的高度对成年人意味着可以通过，对一个大型机器人来说可能意味着必须绕行。可为性并非环境的绝对属性，也不依赖观察者的主观感受：作为环境和本体之间的一种关系属性，它受双方的具体参数限制，也跟随这两者的变化而变化。

在具身智能领域，现有的部署验证思路多为任务导向：先确定执行什么任务，再围绕这个任务设计测试场景、验证策略。如果这条路从「要做什么」出发，那么场地和本体就成为任务的背景和服务的条件。任务导向的验证，测的是「这台机器人在这个任务里表现好不好」，场地里那些和当前任务无关、但换个任务就会踩的坑却不容易被发现。我们发现，机器人实地部署失败，很大程度上在于这样的错位，即场地的「允许」和边界，与机器人解读出来的「行与不行」之间出现偏差：地面看起来能踩其实不能，通道看起来能过其实不能。这种错位往往和具体任务无关，是本体和场地之间与生俱来的关系，不会因为换一个任务就消失。

Environment Affordance™ 选择从机器人出发：先确定这台机器人的尺寸、步态、抓取范围、传感器安装高度，再问这片场地对这台具体的机器人来说，哪里能站、哪里能过、哪里能抓、哪里必须绕开。任务是什么、这一刻要不要执行，不在这一步的考虑范围内。

可为性是环境与本体之间的关系属性，所以适用范围比想象中的更宽广：除了复杂场地，很多看上去简单可控的场景也适用。

FIG.05 是 Environment Affordance™ 的整体框架：自上而下的场地本体与自下而上的传感尺度在中间层汇合，本体参数在 L3 汇入，产出标注、场景与报告，再由部署反馈回流。

这里的「红蓝对抗」，借的是特种工业安全测试的思路：提前把容易让感知系统「看走眼」的场景系统性地找出来、构造成一份清单，逐一验证机器人自身的判断。

测试场里构造的是场地信息和感知判断出现分歧的场景。同一个地方，机器人感知系统的判断和场地的真实情况不一样：

流程见 FIG.06。每个场景都会记录机器人感知系统给出的判断，和场地真实属性做比对，生成一份标准化验证报告，列出哪些场景判断正确、哪些出现偏差、偏差发生在哪个环节。

上表五行是这份清单的缩略。完整场景库按成因分类，每一条都记录物理成因、误判方向、触发条件与构造方法，样例见 EA-03 感知欺骗场景库 · 场景图鉴。

遮蔽与暴露关系的计算，用的是在特种工业领域已经交付过的可视域分析、阴影体和开敞度分析算法。这套算法现在被重新用来验证机器人在场地中的感知边界：机器人自身处于隐蔽还是暴露状态，能否发现处于遮蔽位置的目标。

场景库按任务类型组织，覆盖巡检、搬运、协作作业和安防巡逻，场景清单持续更新。

前面 架构图 FIG.05 给出的是 L1–L5 的整体框架，下面逐阶段说明每一步具体的输入、方法和交付物。

物理引擎精度和渲染帧率这两个维度上，通用仿真平台有先发优势，这本来就不是同一门生意。仿真平台卖的是客户自己拿去用的计算能力；Environment Affordance™ 卖的是用客户自己的真实场地数据、按具体机器人本体参数得出的一份独立判断，直接可用于部署决策。

邀请您和我们聊聊您所在的行业，正在负责的场地，以及遇到的问题。我们很乐意倾听您的观察、和您分享我们的理解，也可以提供有针对性的报告样例。