在倉庫與配送中心持續(xù)追求更高吞吐、更短揀選周期與更緊湊庫容利用率的背景下，現(xiàn)場(chǎng)正在形成一種典型的“密度—速度悖論”：人、叉車、AMR等移動(dòng)設(shè)備在同一作業(yè)面更頻繁地交匯，但通道、盲區(qū)與臨時(shí)作業(yè)點(diǎn)并不會(huì)因此減少。英國Slamcore公司指出，倉庫安全關(guān)注點(diǎn)正從“單點(diǎn)威脅處置”轉(zhuǎn)向“混合車隊(duì)環(huán)境中復(fù)雜、不可預(yù)測(cè)交互”的系統(tǒng)化治理，而“Spaital/Spatial AI”被視為將安全從被動(dòng)反應(yīng)變?yōu)橹鲃?dòng)運(yùn)營能力的關(guān)鍵。

之所以需要更高層級(jí)的“空間人工智能/空間智能（Spatial AI）”，首先是因?yàn)樵S多基礎(chǔ)防撞方案在真實(shí)倉庫里會(huì)出現(xiàn)結(jié)構(gòu)性失效：它們往往只能判斷“附近有物體”，卻難以回答“是什么、是否進(jìn)入軌跡、對(duì)方將如何運(yùn)動(dòng)”。當(dāng)告警在低風(fēng)險(xiǎn)場(chǎng)景里頻繁觸發(fā)，駕駛員很快會(huì)產(chǎn)生告警疲勞，進(jìn)而忽視、降低依從性，甚至關(guān)閉系統(tǒng)，導(dǎo)致安全屏障被人為移除。這類問題歸納為“基本碰撞避免方案的失敗”，并強(qiáng)調(diào)真正的挑戰(zhàn)是讓系統(tǒng)理解空間語義與風(fēng)險(xiǎn)演化，而不是單純堆疊傳感器。

權(quán)威事故與監(jiān)管信息為這一判斷提供了現(xiàn)實(shí)注腳。英國健康與安全執(zhí)行局（HSE）在2025年9月發(fā)布的執(zhí)法通報(bào)披露：英國Qube Containers Limited公司在伊普斯威奇碼頭作業(yè)中，一名員工于2023年12月11日被叉車碾壓并拖拽致重傷；HSE調(diào)查認(rèn)為其未能充分評(píng)估風(fēng)險(xiǎn)并建立安全作業(yè)系統(tǒng)，最終該公司被處以罰款。這類案例的共性并非“缺少安全口號(hào)”，而是交通路線與近距離混行在動(dòng)態(tài)場(chǎng)景下失控——在盲區(qū)、噪聲、臨時(shí)堆放與任務(wù)切換頻繁的環(huán)境中，單靠靜態(tài)標(biāo)識(shí)與人工注意力很難長期穩(wěn)定覆蓋。

從宏觀風(fēng)險(xiǎn)暴露看，美國全國安全委員會(huì)（NSC）匯總的美國勞工統(tǒng)計(jì)局（BLS）數(shù)據(jù)提示：叉車相關(guān)傷亡與可記錄傷害仍然顯著存在。 與此同時(shí)，監(jiān)管機(jī)構(gòu)長期強(qiáng)調(diào)“交通組織與隔離”是底線工程。例如HSE明確提出應(yīng)盡可能實(shí)現(xiàn)車行道與人行道分離，并要求交通路線在使用時(shí)不會(huì)對(duì)周邊人員造成危險(xiǎn)。 但在高度動(dòng)態(tài)的現(xiàn)代倉庫中，隔離并不能覆蓋所有“臨時(shí)交匯”和“任務(wù)驅(qū)動(dòng)的穿行”，因此行業(yè)需要一種能夠把風(fēng)險(xiǎn)識(shí)別前移到實(shí)時(shí)運(yùn)行層面的技術(shù)補(bǔ)強(qiáng)——這正是Spatial AI的切入點(diǎn)。

所謂Spaital/Spatial AI，在倉儲(chǔ)安全語境下更貼近“空間智能/空間AI”：以視覺與空間計(jì)算為核心，把定位、建圖、目標(biāo)識(shí)別、軌跡預(yù)測(cè)與風(fēng)險(xiǎn)判定融合到統(tǒng)一坐標(biāo)系中，持續(xù)回答“車輛在哪里、人員在哪里、雙方是否進(jìn)入沖突區(qū)、沖突將在何時(shí)發(fā)生”。在一些媒體的相關(guān)文章中，Slamcore將其概括為“空間感知（”，強(qiáng)調(diào)要在不依賴行人佩戴標(biāo)簽的前提下減少誤報(bào)、提升提醒的可信度，使安全系統(tǒng)真正可用、可持續(xù)。

以Slamcore為例，其路線是為存量人工車隊(duì)“外掛”空間能力。Slamcore在2025年10月發(fā)布Slamcore Alert時(shí)稱，該方案通過可加裝的AI相機(jī)讓既有叉車具備行人檢測(cè)與聲光告警能力，并強(qiáng)調(diào)行業(yè)不可能一夜之間完成“全自動(dòng)化替換”，因此更現(xiàn)實(shí)的路徑是把“機(jī)器之眼”賦予現(xiàn)有資產(chǎn)，以在保護(hù)人員的同時(shí)提升運(yùn)營連續(xù)性。對(duì)倉庫運(yùn)營者而言，這類方案的價(jià)值不只在“提醒一次危險(xiǎn)”，更在于用更少的誤報(bào)換取一線信任，讓系統(tǒng)長期保持開啟并形成可治理的數(shù)據(jù)閉環(huán)。

更重要的是，Spatial AI正在推動(dòng)安全從“單車能力”走向“全場(chǎng)協(xié)同”。當(dāng)人工叉車的位置、速度、朝向等信息能被持續(xù)輸出為可共享的空間事實(shí)，AMR在路徑規(guī)劃與交匯策略中就能更早“看見”來車與盲區(qū)風(fēng)險(xiǎn)，減少急停、對(duì)峙與擁堵，從而抑制由擁堵引發(fā)的冒險(xiǎn)動(dòng)作與二次風(fēng)險(xiǎn)；這也是我們強(qiáng)調(diào)“把安全從被動(dòng)措施變成效率驅(qū)動(dòng)因素”的關(guān)鍵邏輯：安全不再只是合規(guī)成本，而是吞吐穩(wěn)定性的前置條件。

從全球多家企業(yè)的實(shí)踐看，行業(yè)并未押注單一技術(shù)路徑，而是在“空間理解”這一目標(biāo)下分化出多種實(shí)現(xiàn)形態(tài)。法國Arcure公司旗下Blaxtair被行業(yè)媒體與合作伙伴用于討論“AI行人檢測(cè)”在盲區(qū)與近距離混行中的作用，并強(qiáng)調(diào)通過對(duì)行人與障礙物的識(shí)別來降低不必要告警，幫助駕駛員在真實(shí)風(fēng)險(xiǎn)出現(xiàn)時(shí)更快反應(yīng)。以RTLS為代表的另一類方案則側(cè)重“區(qū)域風(fēng)險(xiǎn)控制與速度干預(yù)”。德國凱傲集團(tuán)（KION）在其面向倉庫安全的技術(shù)解讀中，介紹了林德物料搬運(yùn)（Linde MH）等品牌的多種輔助系統(tǒng)思路，用于緩解倒車視野不足、交匯點(diǎn)風(fēng)險(xiǎn)與人員暴露等典型隱患。 這些方案共同指向同一個(gè)趨勢(shì)：用空間數(shù)據(jù)與語義理解，把“危險(xiǎn)形成過程”在更早階段識(shí)別出來，并通過提醒、限速、區(qū)域控制與路線優(yōu)化降低風(fēng)險(xiǎn)暴露時(shí)間。

綜上，Spaital/Spatial AI之所以是確保倉庫安全的關(guān)鍵，不是因?yàn)樗娲烁綦x、標(biāo)線、培訓(xùn)與流程，而是因?yàn)樗鼜浹a(bǔ)了傳統(tǒng)手段在動(dòng)態(tài)混行環(huán)境中的“實(shí)時(shí)性缺口”：一方面以空間理解減少誤報(bào)、抑制告警疲勞，確保系統(tǒng)“裝得上、用得住”；另一方面把人工車輛與機(jī)器人納入同一張動(dòng)態(tài)空間圖，實(shí)現(xiàn)態(tài)勢(shì)共享與交通協(xié)同，使安全從“事故后追責(zé)”轉(zhuǎn)向“運(yùn)行中可預(yù)測(cè)、可干預(yù)、可優(yōu)化”。當(dāng)倉庫競(jìng)爭(zhēng)進(jìn)入“高密度與高節(jié)奏”的新階段，能夠把安全工程化、數(shù)據(jù)化、協(xié)同化的空間AI，正在成為現(xiàn)代倉內(nèi)運(yùn)營體系中不可或缺的基礎(chǔ)能力。