8月27日，全球智能机器人引领者极智嘉 (Geek+ , 股票代码：2590.HK) 正式发布全新通用机械臂操作技术方案及全球首个专为仓储场景打造的具身智能基座模型 Geek+ Brain , 旨在攻克仓储自动化中的长久难题——超大规模商品 SKU 的精准拣选与高效适应。

Geek+ Brain 为极智嘉通用仓储机器人提供“超级大脑”。而首个通用机械臂操作技术方案则聚焦拣选场景，通过新一代具身智能技术首次系统性地解决了海量商品形态、材质差异带来的机械臂抓取难题，实现了全品类、全场景、高适应性的自动拣货，为行业带来革命性的应用技术。

此次发布标志着极智嘉的技术版图从移动机器人领域延伸至机械臂智能应用，展现出强大的产品技术研发和业务拓展能力，并将进一步释放其在仓储智能化市场需求中的巨大发展潜力。

通用机械臂操作技术方案

解决超大规模商品拣取难题

在仓库超大规模拣货场景中，“货物多样性、环境动态性” 一直使其成为是最难被机器人完全替代的环节之一。

仓储拣货的核心是 “精准抓取不同货物”，仓储货物形态与材质适配难，重量和易损性差异极大等痛点，直接导致传统机械臂的抓取通用性不足：涵盖 “硬（纸箱、盒子等）、软（袋装零食、衣物等）、脆（玻璃制品、化妆品）、散（零件、生鲜）” 等多种类型，需要采用不同抓取逻辑。

同时，仓储场景中货物遮挡、堆叠无序等环境变化，会导致感知精度不足，视觉识别与定位出现误差：“相似外观混淆”（物品难以被识别分隔）、“货物遮挡”（堆叠时下层货物被遮挡）等问题，要求更高的感知泛化能力。

极智嘉的首个通用机械臂操作技术方案，专为解决这一难题而来。它通过多目相机捕捉高精度 3D 环境信息，结合系统订单信息，通过 Geek+ Brain 模型完成智能拣选工作：精准分割物品并识别材质特征，推理生成完整 3D 信息和空间定位，进而判断最优抓取点，智能决策末端执行器的吸盘选择和机械臂运动轨迹，稳稳完成智能摆放。

 图1 机械臂拣选工作流程图

亮点1：基于统一协同的多任务感知模型 

深度融合 2D 语义与 3D 几何网络，大幅提升了透明或反光等复杂材质物体的深度估计精度，以及外观相似物体的分割准确性。同时实现检测、分割、深度估计等多任务，降低推理延迟。

 图2 多任务感知模型

亮点2：基于仿真增强的完整三维形状预测

构建了包含完整三维几何信息的物体仿真数据，支持遮挡区域补全、完整三维估计、堆叠推理，将“视觉识别”扩展为“空间理解”，使机器人具备更接近人类的空间推理能力，不仅“看得见”，还能“想得出”，有效提升了多物体抓取中的稳定性与安全性，减少抓取时因缺少完整 3D 信息造成的滑落或碰撞。

 图3 完整三维形状预测

亮点3：多维度感知

基于多维度感知技术，实现对柔性物品、易碎品及复合材质的高精度识别。系统不仅能精准区分软硬材质，识别布料等难吸附材料，还可通过条码区域检测主动规避关键信息区域，避免遮挡或损伤，显著提升抓取的安全性与成功率，相较传统方案，在复杂多变的应用场景中展现出更强的适应性与运行稳定性。

 图4 基于多维度感知技术实现高精度识别

亮点4：基于强化学习的通用抓取策略

无需数据标注，直接面向任务的学习与优化。结合多维度感知理解，优化物品抓取点判断与末端执行器控制策略，支持根据物品特性自由选择吸盘组合，提升抓取成功率与稳定性。

 图5 优化物品抓取点判断与末端执行器控制策略

极智嘉通用机械臂货品拣取技术可实现四大客户价值:

Model-free：即插即用，快速部署

依托 Geek+ Brain 海量真实数据预训练的通用模型，基本实现 Model-free ，即插即用， 48 小时快速部署。新入 SKU 也无需额外训练，极大简化了上线流程。

99.99%+ 准确率：精准识别，稳定抓取

基于对货品物理属性全面的语义理解和空间感知能力，在开放环境中未知海量货品的识别准确率极高，搭配 Double Pick 双重校验技术和扫码模块可达更高准确率，漏拣、错拣与返工率极低，作业节拍稳定可预期，精准高效。

百毫秒级别推理：效率翻倍，全天作业

通过轻量化模型与剪枝优化，实现百毫秒级别高效率、低延迟快速推理，多环节顺畅衔接，逐单拣选综合效率稳定达到行业平均人效 2 倍以上，且能 7*24 小时不间断作业，让仓储作业效率倍增。

本地化模型：数据安全，自主掌握

模型采用本地化部署模式，所有业务数据均存储于客户自有服务器，不与外部网络交互。从数据采集、处理到模型运算，全程处于客户自主管控范围，彻底规避数据泄露、隐私风险，为业务安全保驾护航。

 图6 通用机械臂货品拣取技术的四大客户价值

Geek+ Brain: 面向仓储场景的具身智能基座模型

极智嘉的具身智能基座模型 Geek+ Brain 采用 “感知-策略”两段式分层架构，由 Perception Model（感知模型） 与 Policy Model（策略模型） 两个核心层组成。

· 感知模型：聚焦空间智能，环境理解能力，整合 2D/3D 感知，专注于环境与物体信息的精准建模。

· 策略模型：基于感知模型的环境理解，自动生成合理、高效和可执行的操作策略。

图7 Geek+ Brain 分层架构：Perception Model + Policy Model

分层架构保证了“数据到决策”路径的高效闭环与系统扩展性。其分层设计提升了可解释性，支持逐层定位与优化，极大提高研发和运维效率。该架构具备高度灵活性，可分阶段积累数据、按需替换模块，并与硬件解耦，支持多样化末端执行器。同时，分层实现轻量化部署和模块级更新，在保障系统稳定性和精度的同时，显著降低算力成本，更契合工业和仓储场景对于可靠与高效要求。

构建强大数据金字塔

Geek+ Brain 使用基于千万量级公开数据集训练的预训练模型，再经过仿真数据与数年积累的行业数据进行模型后训练，最终得到可实时处理 2D/3D 图像阵列的高性能视觉抓取模型。同时， Geek+ Brain 构建数据生产、模型训练、评测、部署四大核心平台，提供完整的数据闭环支撑。

 图8 数据金字塔模型

 图9 Geek+ Brain 四大核心平台

迈向通用仓储机器人

7 月 30 日，极智嘉宣布成立具身智能子公司，聚焦机械手拣货、通用机器人等具身智能技术和业务，目标直指物流、制造等B2B场景。

极智嘉创始人兼 CEO 郑勇表示：“‘通用仓储机器人’是子公司的首个战略方向。极智嘉将秉承‘场景驱动’理念，以仓储场景的真实痛点作为技术演进的突破点，确保每一步突破都能产生可量化的商业价值。”

因此，极智嘉选择由点及面地逐步实现"通用仓储机器人"战略构想：

· 单点突破期 (当前)：以货品拣取场景作为首站，解决业界难题，实现真无人拣选

· 场景通用期：拓展至搬运、打包等环节，向通用性演进

· 生态共建期：基于 Geek+ Brain 构建模型生态，促使模型资源不断丰富、生态逐渐壮大，致力于成为全球仓储具身智能生态主导者

在当前的具身智能领域中，仓储物流场景凭借其庞大的市场规模、明确的作业流程与迫切的智能化需求，成为最适合技术落地、商业化价值最高的核心赛道之一。然而，仓储环境对技术的可靠性、准确性及效率提出极高要求。

极智嘉在仓储领域的深厚场景认知、数据积累、全球客户资源和业务网络，为公司发展“通用仓储机器人”带来得天独厚优势。

作为公司迈向“通用仓储机器人”的关键一步，通用机械臂操作技术方案和 Geek+ Brain 这两项技术成果标志着极智嘉在具身智能领域从技术架构到应用闭环的关键突破，也为“真无人、全智能”仓储时代的到来提供了具身智能技术基石。