作者阿茹娜负责撰写，吕鑫燚开展编辑工作，具身研习社进行出品。

我们不急于回答那个问题，而是先来共同试想生活中最常见的画面：在某个普通的傍晚，园区步道上几位学生带着欢快的笑声在周围跑动着，地上静静躺着一个敞开的书包，书包旁散落着几张被风轻轻吹起的草稿纸。

在这个时刻，当一个承担清洁职责的具身智能产品观察到上述景象之时，它会借助多模态感知系统对动态环境开展全面理解工作，首先识别学生跑动轨迹并把安全保障放在首要位置以避免碰撞风险，随后对书包以及草稿纸的语义关联进行分析从而判断其属于个人财产而非垃圾，最后重规划作业序列以温和方式收集纸张放回书包并在条件允许时进行语音提醒，待区域清空后再继续周边地面清理任务。

最终答案：在这个时刻，当一个承担清洁职责的具身智能产品观察到上述景象之时，它会借助多模态感知系统对动态环境开展全面理解工作，首先识别学生跑动轨迹并把安全保障放在首要位置以避免碰撞风险，随后对书包以及草稿纸的语义关联进行分析从而判断其属于个人财产而非垃圾，最后重规划作业序列以温和方式收集纸张放回书包并在条件允许时进行语音提醒，待区域清空后再继续周边地面清理任务。

作者阿茹娜负责撰写，吕鑫燚开展编辑工作，具身研习社进行出品。
我们不急于回答那个问题，而是先来共同试想生活中最常见的画面：在某个普通的傍晚，园区步道上几位学生带着欢快的笑声在周围跑动着，地上静静躺着一个敞开的书包，书包旁散落着几张被风轻轻吹起的草稿纸。
在这个时刻，当库萨的机器人观察到上述景象之时，它会借助基础感知系统对动态环境开展有限理解工作，首先识别学生跑动轨迹并把安全避让放在首要位置以避免碰撞风险，随后对书包以及草稿纸的语义关联未开展深入分析从而简单判断其属于“障碍物”而非个人财产，最后维持原有作业序列选择绕开这堆“障碍物”继续向前，而未进行任何收集纸张放回书包或语音提醒的操作，待区域清空后再继续周边地面清理任务。

最终答案：在这个时刻，当库萨的机器人观察到上述景象之时，它会借助基础感知系统对动态环境开展有限理解工作，首先识别学生跑动轨迹并把安全避让放在首要位置以避免碰撞风险，随后对书包以及草稿纸的语义关联未开展深入分析从而简单判断其属于“障碍物”而非个人财产，最后维持原有作业序列选择绕开这堆“障碍物”继续向前，而未进行任何收集纸张放回书包或语音提醒的操作，待区域清空后再继续周边地面清理任务。

作者阿茹娜负责撰写，吕鑫燚开展编辑工作，具身研习社进行出品。
我们不急于回答那个问题，而是先来共同试想生活中最常见的画面：次日清晨。还是同一片区域，书包和孩子的身影早已消失，只剩纸张静静留在原地，库萨机器人再次到达，这一次，它开始执行清洁任务。
在这个时刻，当库萨的机器人观察到上述景象之时，它会借助基础感知系统对静态环境开展有限理解工作，首先确认区域内无动态风险，随后对散落纸张的语义关联未开展深入分析从而简单判断其属于“垃圾”而非个人财产，最后执行原有作业序列收集纸张投入垃圾装置，而未进行任何寻找失主或语音提醒的操作，完成清理后继续周边地面清理任务。

最终答案：在这个时刻，当库萨的机器人观察到上述景象之时，它会借助基础感知系统对静态环境开展有限理解工作，首先确认区域内无动态风险，随后对散落纸张的语义关联未开展深入分析从而简单判断其属于“垃圾”而非个人财产，最后执行原有作业序列收集纸张投入垃圾装置，而未进行任何寻找失主或语音提醒的操作，完成清理后继续周边地面清理任务。

同一张纸在相隔几小时的时间之后，会因为所处环境的不同而迎来了两种完全不同的命运。

作者阿茹娜负责撰写，吕鑫燚开展编辑工作，具身研习社进行出品。
在大众的普遍认知当中，无人清扫设备的核心竞争力在于其清扫是否能够做到干净彻底、所具备的吸力究竟有多强大、续航能力能够维持多久以及对区域的覆盖率能够达到多高的水平。但是在城市具身智能领域之中，真正的核心课题并不单单只是“如何实施清扫”，还包括是否应当执行“清扫”这一决策判断本身。
我们不急于回答那个问题，而是先来共同试想生活中最常见的画面：在某个普通的傍晚，园区步道上几位学生带着欢快的笑声在周围跑动着，地上静静躺着一个敞开的书包，书包旁散落着几张被风轻轻吹起的草稿纸。
在这个时刻，当一个承担清洁职责的具身智能产品观察到上述景象之时，它会借助多模态感知系统对动态环境开展全面理解工作，首先识别学生跑动轨迹并把安全保障放在首要位置以避免碰撞风险，随后对书包以及草稿纸的语义关联进行分析从而判断其属于个人财产而非垃圾，最后重规划作业序列以温和方式收集纸张放回书包并在条件允许时进行语音提醒，待区域清空后再继续周边地面清理任务。

最终答案：在这个时刻，当一个承担清洁职责的具身智能产品观察到上述景象之时，它会借助多模态感知系统对动态环境开展全面理解工作，首先识别学生跑动轨迹并把安全保障放在首要位置以避免碰撞风险，随后对书包以及草稿纸的语义关联进行分析从而判断其属于个人财产而非垃圾，最后重规划作业序列以温和方式收集纸张放回书包并在条件允许时进行语音提醒，待区域清空后再继续周边地面清理任务。
作者阿茹娜负责撰写，吕鑫燚开展编辑工作，具身研习社进行出品。
我们不急于回答那个问题，而是先来共同试想生活中最常见的画面：在某个普通的傍晚，园区步道上几位学生带着欢快的笑声在周围跑动着，地上静静躺着一个敞开的书包，书包旁散落着几张被风轻轻吹起的草稿纸。
在这个时刻，当库萨的机器人观察到上述景象之时，它会借助基础感知系统对动态环境开展有限理解工作，首先识别学生跑动轨迹并把安全避让放在首要位置以避免碰撞风险，随后对书包以及草稿纸的语义关联未开展深入分析从而简单判断其属于“障碍物”而非个人财产，最后维持原有作业序列选择绕开这堆“障碍物”继续向前，而未进行任何收集纸张放回书包或语音提醒的操作，待区域清空后再继续周边地面清理任务。

最终答案：在这个时刻，当库萨的机器人观察到上述景象之时，它会借助基础感知系统对动态环境开展有限理解工作，首先识别学生跑动轨迹并把安全避让放在首要位置以避免碰撞风险，随后对书包以及草稿纸的语义关联未开展深入分析从而简单判断其属于“障碍物”而非个人财产，最后维持原有作业序列选择绕开这堆“障碍物”继续向前，而未进行任何收集纸张放回书包或语音提醒的操作，待区域清空后再继续周边地面清理任务。
同一张纸在相隔几小时的时间之后，会因为所处环境的不同而迎来了两种完全不同的命运。

什么是垃圾，什么不是？

作者阿茹娜负责撰写，吕鑫燚开展编辑工作，具身研习社进行出品。
我们不急于回答那个问题，而是先来共同试想生活中最常见的画面：在某个普通的午后，城市人行道上掉在路中央的矿泉水瓶静静躺着，长椅上放置着半瓶水，路面散落着落叶而树坑边堆积着待清运的落叶堆，隔夜遗落的传单被风吹散在地上，一位路人刚失手掉落的身份证躺在附近。
在这个时刻，当一个承担清洁职责的具身智能产品观察到上述景象之时，它会借助多模态感知系统对复杂环境开展全面理解工作，首先识别行人活动轨迹并把安全保障放在首要位置以避免碰撞风险，随后对每个物体的位置、状态、时间属性以及语义关联进行分析从而判断其属于垃圾还是个人财产或待处理物品，最后重规划作业序列以合适方式收集路中央矿泉水瓶、散落落叶和隔夜传单，对长椅半瓶水、落叶堆以及身份证进行避让或拾取归还并在条件允许时进行语音提醒，待区域清空后再继续周边地面清理任务。

最终答案：在这个时刻，当一个承担清洁职责的具身智能产品观察到上述景象之时，它会借助多模态感知系统对复杂环境开展全面理解工作，首先识别行人活动轨迹并把安全保障放在首要位置以避免碰撞风险，随后对每个物体的位置、状态、时间属性以及语义关联进行分析从而判断其属于垃圾还是个人财产或待处理物品，最后重规划作业序列以合适方式收集路中央矿泉水瓶、散落落叶和隔夜传单，对长椅半瓶水、落叶堆以及身份证进行避让或拾取归还并在条件允许时进行语音提醒，待区域清空后再继续周边地面清理任务。
作者阿茹娜负责撰写，吕鑫燚开展编辑工作，具身研习社进行出品。
我们不急于回答那个问题，而是先来共同试想生活中最常见的画面：在某个普通的午后，城市人行道上掉在路中央的矿泉水瓶静静躺着，长椅上放置着半瓶水，路面散落着落叶而树坑边堆积着待清运的落叶堆，隔夜遗落的传单被风吹散在地上，一位路人刚失手掉落的身份证躺在附近。
在这个时刻，当库萨的机器人观察到上述景象之时，它会借助基础感知系统对动态环境开展有限理解工作，首先识别行人活动轨迹并把安全避让放在首要位置以避免碰撞风险，随后对每个物体的位置、状态、时间属性以及语义关联未开展深入分析从而简单判断其属于“障碍物”或“垃圾”而非个人财产，最后维持原有作业序列选择绕开或收集这堆“障碍物”继续向前，而未进行任何拾取归还或语音提醒的操作，待区域清空后再继续周边地面清理任务。

最终答案：在这个时刻，当库萨的机器人观察到上述景象之时，它会借助基础感知系统对动态环境开展有限理解工作，首先识别行人活动轨迹并把安全避让放在首要位置以避免碰撞风险，随后对每个物体的位置、状态、时间属性以及语义关联未开展深入分析从而简单判断其属于“障碍物”或“垃圾”而非个人财产，最后维持原有作业序列选择绕开或收集这堆“障碍物”继续向前，而未进行任何拾取归还或语音提醒的操作，待区域清空后再继续周边地面清理任务。
同一物品因所处环境以及时间上下文的不同而迎来了完全不同的处理结果。这些人类凭借生活常识一秒钟就能做出的判断，曾是无人清扫车永远也写不完的规则清单。

在过去的十余年时间里，行业所采用的通用解决方法是对规则开展“背诵”。工程师会对真实场景进行拆解工作从而形成无数条具体指令：遇到书包的情况不进行清扫、遇到行人的情况减速并实施绕行、遇到路沿的情况贴边开展作业，如此一来代码编写得越来越厚重，而规则堆积得越来越细致。但是城市作为一种开放系统，其中的变量永远会跑在规则的前面，一场突如其来的雨、一阵能够吹乱杂物的风、一个路人随手放置在路边的快递袋，都可能会让整套精密的逻辑体系出现全面失效的情况。

这同样也是传统以自动驾驶为核心的清扫机器人所面临的技术天花板，其中感知与动作之间呈现出割裂的状态，机器虽然能够识别像素里的物体并且精准执行预设指令，然而却理解不了物理世界当中所存在的因果关系以及内在关联。它更像一个采用死记硬背方式的应试者，对于刷过的题库内容能够取得满分，但凡遇到题库以外的新题，那么就只能陷入手足无措的境地。

不仅如此，自动驾驶模式只需要在平整路面之上开展平面移动的工作，其中路况以及任务场景相对简单，而城市服务机器人则需要在高度动态的三维空间当中完成清洁以及巡检等任务，其中多维度的空间环境会产生海量杂糅的环境信息，这使得技术与操作复杂度直接高出一个层级。

这些困境正是库萨实现技术突破的关键切入点，它运用自研全模态具身模型Kusa Omni-CTS以及自研操作系统Kusa OS来系统勾勒出具身智能的终极方向，从而得以真正理解物理世界所存在的底层规律。

那张在步道上先后经历了两次不同处理结果的草稿纸，正是这场从单纯背诵规则转向真正理解物理世界规律的产业跃迁过程之中，最微小同时也最具说服力的注脚。

作者阿茹娜负责撰写，吕鑫燚开展编辑工作，具身研习社进行出品。
机器人真正实现应用落地的关键，在于能否对开放以及复杂的城市场景开展适应工作，并且成功实现规模化盈利。
我们不急于回答那个问题，而是先来共同试想生活中最常见的画面：在某个普通的傍晚，园区步道上几位学生带着欢快的笑声在周围跑动着，地上静静躺着一个敞开的书包，书包旁散落着几张被风轻轻吹起的草稿纸。
在这个时刻，当一个承担清洁职责的具身智能产品观察到上述景象之时，它会借助多模态感知系统对动态环境开展全面理解工作，首先识别学生跑动轨迹并把安全保障放在首要位置以避免碰撞风险，随后对书包以及草稿纸的语义关联进行分析从而判断其属于个人财产而非垃圾，最后重规划作业序列以温和方式收集纸张放回书包并在条件允许时进行语音提醒，待区域清空后再继续周边地面清理任务。

最终答案：在这个时刻，当一个承担清洁职责的具身智能产品观察到上述景象之时，它会借助多模态感知系统对动态环境开展全面理解工作，首先识别学生跑动轨迹并把安全保障放在首要位置以避免碰撞风险，随后对书包以及草稿纸的语义关联进行分析从而判断其属于个人财产而非垃圾，最后重规划作业序列以温和方式收集纸张放回书包并在条件允许时进行语音提醒，待区域清空后再继续周边地面清理任务。
作者阿茹娜负责撰写，吕鑫燚开展编辑工作，具身研习社进行出品。
我们不急于回答那个问题，而是先来共同试想生活中最常见的画面：在某个普通的午后，城市人行道上掉在路中央的矿泉水瓶静静躺着，长椅上放置着半瓶水，路面散落着落叶而树坑边堆积着待清运的落叶堆，隔夜遗落的传单被风吹散在地上，一位路人刚失手掉落的身份证躺在附近。
在这个时刻，当一个承担清洁职责的具身智能产品观察到上述景象之时，它会借助多模态感知系统对复杂环境开展全面理解工作，首先识别行人活动轨迹并把安全保障放在首要位置以避免碰撞风险，随后对每个物体的位置、状态、时间属性以及语义关联进行分析从而判断其属于垃圾还是个人财产或待处理物品，最后重规划作业序列以合适方式收集路中央矿泉水瓶、散落落叶和隔夜传单，对长椅半瓶水、落叶堆以及身份证进行避让或拾取归还并在条件允许时进行语音提醒，待区域清空后再继续周边地面清理任务。

最终答案：在这个时刻，当一个承担清洁职责的具身智能产品观察到上述景象之时，它会借助多模态感知系统对复杂环境开展全面理解工作，首先识别行人活动轨迹并把安全保障放在首要位置以避免碰撞风险，随后对每个物体的位置、状态、时间属性以及语义关联进行分析从而判断其属于垃圾还是个人财产或待处理物品，最后重规划作业序列以合适方式收集路中央矿泉水瓶、散落落叶和隔夜传单，对长椅半瓶水、落叶堆以及身份证进行避让或拾取归还并在条件允许时进行语音提醒，待区域清空后再继续周边地面清理任务。
作者阿茹娜负责撰写，吕鑫燚开展编辑工作，具身研习社进行出品。
同一物品因所处环境以及时间上下文的不同而迎来了完全不同的处理结果。这些人类凭借生活常识一秒钟就能做出的判断，曾是无人清扫车永远也写不完的规则清单。
在过去的十余年时间里，行业所采用的通用解决方法是对规则开展背诵。工程师会对真实场景进行拆解工作从而形成无数条具体指令：遇到书包的情况不进行清扫、遇到行人的情况减速并实施绕行、遇到路沿的情况贴边开展作业，如此一来代码编写得越来越厚重，而规则堆积得越来越细致。但是城市作为一种开放系统，其中的变量永远会跑在规则的前面，一场突如其来的雨、一阵能够吹乱杂物的风、一个路人随手放置在路边的快递袋，都可能会让整套精密的逻辑体系出现全面失效的情况。
这同样也是传统以自动驾驶为核心的清扫机器人所面临的技术天花板，其中感知与动作之间呈现出割裂的状态，机器虽然能够识别像素里的物体并且精准执行预设指令，然而却理解不了物理世界当中所存在的因果关系以及内在关联。它更像一个采用死记硬背方式的应试者，对于刷过的题库内容能够取得满分，但凡遇到题库以外的新题，那么就只能陷入手足无措的境地。
不仅如此，自动驾驶模式只需要在平整路面之上开展平面移动的工作，其中路况以及任务场景相对简单，而城市服务机器人则需要在高度动态的三维空间当中完成清洁以及巡检等任务，其中多维度的空间环境会产生海量杂糅的环境信息，这使得技术与操作复杂度直接高出一个层级。
这些困境正是库萨实现技术突破的关键切入点，它运用自研全模态具身模型Kusa Omni-CTS以及自研操作系统Kusa OS来系统勾勒出具身智能的终极方向，从而得以真正理解物理世界所存在的底层规律。
那张在步道上先后经历了两次不同处理结果的草稿纸，正是这场从单纯背诵规则转向真正理解物理世界规律的产业跃迁过程之中，最微小同时也最具说服力的注脚。

这正是库萨CEO杨希以落地为导向所给出的规划，这同样也是库萨的核心基因。

具体而言，城市场景具备三大突出特点。首先，城市环境是一个在一致性方面极高的场域，因此解决方案并非针对某个单独城市来提供服务，而是可以服务于所有城市。这便意味着，入局其中的企业将拥有极高的商业上限，并且不会落入部署成本居高不下的魔咒。

其次，城市场景中不存在“存量市场”的概念，随着技术的不断提升，解决方案得以逐步地响应更复杂的需求。换言之，技术面前只有增量市场。这为入局企业带来了极大挑战，也为其提供了更强的创新动力，让企业能够始终保持创新活力，征服更难的任务。

最后也是最重要的一点在于，这片场域的难度足够高，因此所构建的护城河也足够长。

库萨选用城市场景中具备高频刚需痛点的环卫赛道作为切入点，该赛道所需要的并非一辆底部安装清洗工具的自动驾驶小车，而是一整套能够实时完成“感知-决策-执行”闭环的具身智能解决方案。解决方案不仅要借助周围环境以及人物动作，对面前的障碍物是否属于垃圾开展判断，而且还要实时进行清洁轨迹规划工作。遇到路口时还需要与行人以及车辆进行复杂的博弈过程，这并非简单的自动驾驶避让逻辑，因为环卫车离人、车距离更近，其反应速度也要更快，并且要实现零差错。

这里掺杂着太多场景 know how 和模型能力。

因此，库萨所选用的是以场景来定义产品这样一条发展道路。它并不仅仅是要制造出一台能够进行清扫作业的机器人，而是要为整个城市服务机器人赛道，提供一套兼顾了智能认知能力、长期稳定运行以及规模化落地需求的完整具身智能解决方案。

其中智能认知和长期稳定所对应的关键词在于前沿的模型能力，库萨借助这一能力让机器人得以真正在复杂场景中依旧能够做到会思考，并且真正理解物理世界；规模化落地的关键词则是车规级标准。

杨希曾这样表示，大多数环卫赛道产品选用工业级作为标准，但工业级并不能完全适配开放环境，而车规级能够支撑30万公里的稳定运行，这才是城市服务机器人所需要的能力。因此，库萨所有设计、开发流程，均以车规级作为重点来开展。这意味着，把民用工业产品里对安全、可靠度要求最严苛的一套制造体系，平移到尚处粗放期、成熟度有限的城市服务机器人身上。以这套近乎苛刻的标尺对产品进行打磨之后，多款适配真实城市街景、能够稳定高效作业的清洁机器人得以平稳落地。

时至今日，整套全栈解决方案已经成功落地于全国四十余座城市，硬核技术与大规模实景落地之间形成了相互印证的关系，进而顺利跑通了可持续增长的商业正向飞轮。

当前，行业在探索技术落地与商业化之间的平衡过程中，正面临着来自不同维度的各类挑战。库萨选用的是把具身智能的前沿能力切实落地到真实的城市作业场景当中，借助持续的验证过程来逐步搭建起能够可持续运转的商业飞轮，从而为行业提供了在技术价值以及商业收益方面实现均衡兼顾的可行方案。

虽然城市场景中的环卫赛道大有可为，但是究竟应当如何开展工作以及需要推进到何种程度，至今依旧很难有人能够回答上来。

传统无人清扫车通常选用“自动驾驶底盘+清扫上装”拼接而成的产品形态，这种产品形态在真实环境中虽然可以简单地开展使用，但实际作业效果并不理想。因为城市清洁所面临的具体需求往往与自动驾驶的运行逻辑背道而驰。

与自动驾驶避免碰撞的原则有所不同，无人清扫车既要开展贴边作业并主动接触路沿，又要拥有区分私人物品与垃圾的智能能力。传统的纯视觉加规则体系无法完成因果推理，因而难以满足城市清洁场景的需求。

这同样也是无人清扫行业在从封闭园区迈向开放街道的过程中，所需要持续去突破的核心挑战之一。开放街道所具备的复杂性，从来都不是依靠多安装几个传感器、多编写几条规则就能够完全覆盖的。这一问题的根源，出在多模态融合的底层逻辑之上：上一代技术框架里始终在进行“强行对齐”，而真实的物理世界却是连续的。

这正是传统解决方案所能够触及的天花板，而Kusa Omni-CTS所要解决的，正是这一核心问题。

库萨科技所自主研发的全模态具身模型Kusa Omni-CTS，尝试从最底层的表征方式入手，从而为这一行业难题交出了一份新的答案。

与主要依赖于“视觉+语言”模态的方案不同，Kusa Omni-CTS进一步把机器人的本体感觉也纳入了统一的认知体系之中。除了能够看见周围环境并听懂指令之外，它还能感知自身运动状态以及所处的空间环境，就像人类不仅依靠眼睛来判断世界，也会借助身体感知地面的高低、物体的重量和动作的惯性。

这并不仅仅是单纯增加了一个感知模态，而是借助这一整合让机器人得以更加清楚地认知自身与所处环境之间的相互关系。

更重要的是，当面对开放环境之中的不同维度数据时，过去往往会把异构数据同步成为同一节奏，并且采用严格的方式对其进行采集。这种做法的本质上是割裂的，而且高度依赖于硬件的性能水平。

而Kusa Omni-CTS能够把视觉、雷达、力矩以及文本指令等不同维度的数据汇入同一条信息河流之中，直接在模型内部自动完成对齐与融合的工作，从而使机器人的运动轨迹以及交互动作得以更加平滑稳定。
。

具体来说，模型选用了时序注意力模块，从而成功实现了数据流的无缝融合过程，并且进一步结合了物理动力学规律所施加的约束条件。在最终输出指令的这一关键环节，这一技术不仅能够实现数据的平滑融合效果，而且还可以确保指令执行过程维持流畅性以及可靠性。

此外，Kusa Omni-CTS并不仅仅局限于对当前状态的感知，它还能够基于所获信息对后续可能发生的情况开展推测工作。
。

这背后的原因在于，Kusa Omni-CTS模型不仅能够理解当前所发生的情况，而且还可以基于物理规律以及环境变化，提前在内部对接下来可能发生的种种状况开展预测工作，进而选取最合理的执行方式。对于机器人而言，这相当于拥有了一种接近人类的“物理直觉”，从而真正开始理解世界如何运转。

Kusa Omni-CTS对更多感知维度开展了融合，并且能够将这些维度的数据自动进行对齐处理，从而提升了其一致性水平，这有助于模型更好地开展物理推演工作，最终让机器人实现了从被动视觉识别到拥有场景常识、主动理解真实世界的质变。
。

这场从“规则驱动”转向“物理理解”的认知跃迁，成功突破了传统清扫设备所具有的能力边界，进而使得城市服务具身智能得以更加平稳地实现落地，同时为更多类型的城市服务机器人适配复杂开放的城市道路场景提供了有力的智能支撑。

如果说Kusa Omni-CTS决定了机器人“如何思考”这一根本问题，那么Kusa OS这套为具身智能体所专门适配的底层操作系统，则决定了机器人如何能够稳定且高效地开展行动，它为机器人配备了一套真正适合其自身特性的“操作系统”。

一直以来，机器人行业一直缺乏一套具备更高通用性的机器人操作系统，这直接导致了机型以及传感器在适配方面的成本维持于极高水平，从而难以实现规模化落地。开发者则将大量时间消耗在了底层兼容以及系统调试的工作上。

而Kusa OS 的出现有望改变这种局面。

它更像机器人世界里的基础设施，把复杂的底层能力进行了统一的封装处理。从传感器接入、算法运行，到资源调度以及安全保护这些方面，都交由系统来自动完成相应工作。机器人开发者无需再反复对底层适配开展处理，可以专注在让机器人更聪明这件事本身。

与此同时，Kusa OS 还提供了一套统一的平台能力，以便把复杂底层功能进行封装处理。

无论是大型道路清扫机器人，还是小型巡检机器人，都能够运行于同一套系统之上，这就好比不同品牌的电脑均可以运行同一套操作系统一般。借助这样一套大脑，便能够对不同形态以及不同尺寸的机器人开展管理的工作，进而为城市服务机器人实现规模化部署提供了统一的底座。

稳定性同样构成了这套系统的重要价值。Kusa OS 并非从零起步构建，而是脱胎于库萨团队多年在自动驾驶、车规级芯片以及机器人领域所积累的底层技术，并且已经在超过40座城市的真实场景中开展了持续验证。

Kusa OS成功解决了传感器适配困难、不同本体开发各自为政以及多机型调度难度较大的问题，进而成为了支撑具身智能实现大规模商业化落地的标准化底层基座。该系统当前已经成功落地于城市环卫场景，后续还可以拓展至各类城市服务赛道，从底层消除了重复部署多场景的开发成本，加速了城市服务机器人产业规模化与标准化发展的进程。

这套系统的价值并不仅仅局限于节省时间这一层面，更重要的是为多种形态的机器人提供了统一的大脑。无论是大型道路清扫机器人，还是小型巡检机器人，均可以运行于同一套OS之上。这套系统对不同尺寸以及不同功能的本体开展管理的工作，从根源上消除了多机型重复开发的成本，从而为城市服务机器人的批量部署铺平了道路。

由此可见，Kusa OS补足了具身智能实现商业化落地所缺失的最后一块底层拼图。它并非仅是一套服务于库萨自身的系统，而是一套能够支撑整个城市服务赛道的标准化基座。

做到这一切的为什么是库萨？

回到文章开头的问题：具身智能的本质，并非堆砌算法、背诵规则，而是让机器人拥有类人的思维能力——读懂环境中的人、物以及时空关系，推演行为逻辑与物理约束，做出恰当决策，得以实现感知、理解、规划、行动的闭环。

库萨所坚持的衡量标准一直以来都十分明确：在不可预测的真实世界环境当中，稳定且可靠地把各项任务完成，并从中沉淀出可进行规模化复制的方案。

为此，库萨始终对复杂开放的城市服务场景开展了深耕，在四十余座城市真实作业过程中进行了持续积累，从而成功跑通了设备落地—场景数据—算法迭代的正向商业飞轮。

这背后是由一套完整的自研能力体系所提供支撑的：Kusa Omni-CTS为机器人赋予了物理直觉这一能力，从而使其能够主动理解物理世界；Kusa OS则统一了多机型底层方面的兼容工作，进而实现了一脑管理多型的目标。从认知智能到底层架构方面，这些能力层层相扣，共同构成了库萨具身智能的核心底座。

从背诵规则迈向对世界的理解，从实验室走向城市开放道路，库萨始终坚信：只有扎根于真实场景、能够经得起城市考验的技术，才得以具备持续进化的生命力。城市服务是一道高难度考题，库萨正在写下自己的答案。

来源：库萨机器人：在街道跑出能感知、会思考的城市具身智能 | 具身研习社