撑住"夜班巡视的空窗期"：养老院巡检机器人如何用4D毫米波雷达与端云协同承接持续监测

养老院对夜间值守巡检机器人的需求，并不是"有了新技术所以试试"，而是机构、监管、家庭三层压力同时指向同一件事的结果——夜间的看护能力，已经不可能完全靠人排班撑住。

从机构端看，护理员的供给缺口在数百万量级。中国老龄事业发展基金会2024年的调查显示缺口达到550万，新增护理员的流失率长期处于40%到50%之间。一线的工作强度把这个数字落到了具体场景：乡镇敬老院4名护理员轮班照护30位老人是普遍状态，夜班要求24小时守在老人身边、随时处理特殊情况，包括夜间巡视床位、到点叫醒老人、测量血压等健康体征，每个夜班的实际工作时长在12到13小时。调查中还记录了一个细节——某护理员入职第二个月时所在12人小组已有8人先后辞职。这说明即使总编制不变，值守人员的经验和稳定性也在持续流失。这种结构性矛盾把夜班巡视推到了一个两难位置：它恰好是全院最需要经验、最不擅长交给新人的岗位，同时又是压力最大、最耗人力、最容易导致疲劳误判的岗位。把"标准化巡视"这一段抽离出来交由设备承接，是巡检机器人在场景里最直接的来源。

监管端的推动力来自近年多地推行的智慧养老院评分方案。"智能安全防护"与"智能照护服务管理"被列为核心评分项，并且不是"有没有"的加分，而是对覆盖率、使用率、数据接入三项分别提出具体要求。这一变化把合规成本从"可被检查的物件"转移到了"数据"上——设备装了不算，覆盖率不够不算，使用率不够、告警数据未接入监管或区级平台也不算。机构需要的不只是一台会走的设备，还需要设备产出能被监管读取的数据链。

家庭端的推动力来自子女的决策权重。子女的核心焦虑不是"有没有摄像头"，而是"夜间出事了多久能知道"。一旦机构拥有可统计、可公示的响应时长数据，家属的接受度与入住意愿会随之变化。这是为什么巡检能力的第一收益点常常体现在家属感知端。

把上面三层压力合起来，养老院对巡检机器人的需求本质是同一件事：在不允许装摄像头的卫生间与卧室门口需要能识别异常；在1—2小时人工巡视的间隙里需要持续覆盖；在告警发生后需要一条从识别到通知到联动的响应闭环能跑通。这三件事分别对应感知、移动、算力三条技术底座。下面先看在这三件事上机器人分别承担什么角色，然后按技术维度分别展开。

在感知侧，机器人要在不开摄像头的隐私区完成事件识别；在走廊、电梯厅、活动室这些公共区域可以用视觉，但视觉与雷达的分工要有规则——隐私区雷达为主、公共区视觉为辅、告警元数据本地处理。在移动侧，机器人要能在走廊、电梯厅、卫生间门口这些几何条件有限的空间里穿行、绕行老人轮椅和床档、定点停靠指定房间门口，这就要求底盘与SLAM指标不能简单套用通用安防巡检机器人的参数。在算力侧，识别与告警链路必须能在弱网断网条件下继续工作，这意味着安全相关功能必须放在端侧，体验相关功能放在云侧。

这一组约束——"隐私区分级感知+厘米级室内移动+端云协同算力"——就是当前养老院巡检机器人区别于通用安防巡检产品的核心差异所在。下面的分析按这三件事分别展开。

4D毫米波雷达承担的是隐私区的核心感知任务。在卫生间、卧室门口这些跌倒高发但隐私高敏的区域，视觉方案几乎一定会遇到阻力——相关研究指出，绝大部分老人不会接受在卧室或浴室摆放摄像头，视觉模糊化可以提升部分接受度但仍有相当比例难以接受任何形式的影像采集。毫米波雷达不输出图像，从原理上绕开了这个矛盾。

频段选择上，76—81 GHz的E频段是当前主流选择，背后的物理原因是波长约4毫米，与人体胸腔几毫米量级的呼吸位移相匹配。位移Δd与回波相位变化Δφ之间的关系是 Δφ = 4π·Δd/λ，λ=4毫米时几毫米呼吸位移对应的相位变化可达几弧度量级，远高于24 GHz雷达同等条件下的灵敏度。这是为什么体征监测通常选77 GHz而非24 GHz的根本原因——心跳位移在0.1—0.5毫米，24 GHz雷达难以分辨，77 GHz雷达的相位灵敏度可以胜任。在养老巡检场景中代表产品所采用的4D毫米波雷达增加的俯仰角维可以分辨"在床上起身"与"床下倒地"两种场景，对离床检测是必要能力。

距离与速度的解耦通过FMCW调频连续波体制实现。FMCW通过对chirp信号扫频发射，发射与回波的频差直接对应目标距离，距离分辨率ΔR = c/(2B)，扫频带宽B=4 GHz时ΔR约3.75厘米，足以分离走廊里多个活动身影。速度维通过chirp间相位变化提取，速度分辨率Δv约0.05 m/s，足以捕捉老人跌倒时数米每秒的瞬时速度变化。两维组合成Range-Doppler Map后再做点云聚类与微多普勒时频图分析。

体征监测的实现路径是把距离FFT后的目标相位变化提取出来作为连续生理信号。呼吸位移在4—12毫米（频率0.1—0.5 Hz）、心跳位移在0.1—0.5毫米（频率0.8—2.5 Hz）。流程上先通过Range-FFT在距离维分出目标格，再通过静态杂波滤除分离出动态分量，然后用I/Q解调从复信号中提取瞬时相位，最后做带通滤波得到两路正弦曲线。呼吸与心率频率估计常用自相关、MUSIC算法或VMD/EMD模态分解等方法。当信号混有运动伪迹时，VMD/EMD可以把呼吸与心跳信号分离到不同的固有模态函数里再分别估计频率。

跌倒识别则要看完整的微多普勒时频图。跌倒的"签名"是"快速下降+长静默"：高负向多普勒脉冲（快速下降）伴随触地后零多普勒长条带。弯腰捡物的反射中心下移但伴随持续负向多普勒；坐下的曲线缓慢下降后转入稳定；翻身则是周期性的正负向闪烁。这些动作模式在序列模型——LSTM、Transformer，或CNN+LSTM混合架构——里被识别和区分。算法上之所以选用序列模型而非单帧分类，是因为动作的差异在于整段时间序列特征，而不是某一帧的瞬时值。

工程上的真正难点不是单次动作的识别率，而是混入大量日常动作后的误报率。养老巡检的真实工况里，弯腰捡物、坐姿调整、被子里翻身、起身坐下这些动作每小时可能发生几十次，任何一次被误判为跌倒都会让护理员从"警觉"滑向"忽略"，最终整个告警链路静默死亡。这在安全工程里叫做告警疲劳（alarm fatigue），是养老告警系统最常见的失效方式，而且失效过程不会报错。控制方法通常是引入多级置信度阈值——高置信度立即告警、中置信度触发复核流程（如雷达+静态视觉二次确认）、低置信度仅记录不告警；以及周期抑制——短时间内同一目标区域的重复告警合并为一次；以及时间约束——夜间高风险时段启用激进阈值、白班时段降级为提示。这一设计也对应到验收标准——把"误报频次下护理员仍保持响应耐心"作为可验证的指标，而不是某一次跌倒演示的识别百分比。

多模态融合与端云协同算力架构，决定系统能否在养老机构的真实网络与隐私环境下连续运行。养老院场景对架构的约束有三条硬性：第一，跌倒告警、紧急呼叫、本地告警不能依赖云端往返——地下活动区、电梯井、老建筑WiFi盲区是真实存在的隐患，安全告警链路绝不允许在这些位置失效；第二，隐私区域摄像头不能开，公共区域可以开视觉——架构必须支持"区域权限分级"；第三，端侧要能跑深度学习但功耗有限，云侧可以做重推理但延迟不可控——算力必须分层而非堆叠。

按这一逻辑，当前主流架构采用高通骁龙845八核芯片配合工业级MCU的双芯片组合。骁龙845承担视觉处理、语音交互、本地对话、多模态融合决策等富计算任务，工业级MCU独立承担底盘运动控制、雷达原始数据预处理与电池管理。两颗芯片通过UART/SPI/CAN总线交互，高通向MCU发送目标速度与转角，MCU回传实际速度、电量、状态码、急停触发位。这一解耦的工程意义在于物理层面的安全隔离——Android系统在富计算负载下会出现毫秒级到百毫秒级的调度抖动（大模型推理抢占CPU、GC暂停、GPU/NPU与CPU切换），底盘运动控制在10毫秒量级（100 Hz控制频率）就需要稳定输出。把运动控制放在独立MCU上后，Android侧的卡顿不会传导到底盘，急停信号响应延迟在MCU内部可以压到1—10毫秒量级，由FreeRTOS或RT-Thread等实时操作系统保障。

模型分发上，端侧小模型（MobileNet、EfficientNet-Lite、YOLOv8-nano等）承担跌倒初步判定、老人姿态分类等轻量任务，云侧大模型承担多轮陪伴对话、文档RAG检索、健康趋势推理等精度敏感任务。原则是"端侧处理延迟敏感任务，云侧处理精度敏感任务"。多模态数据融合通常采用特征级融合——视觉YOLO给出person bbox，雷达点云聚类给出目标，二者通过IoU和距离匹配形成"同一目标的多模态描述"，再由融合模块做联合决策。这是精度与算力的折衷点，比数据级融合省算力，比决策级融合保留更多协同信息。

网络层支持4G（TDD-LTE/FDD-LTE）与WiFi（2.4G/5G）双通道互为备份。常态使用WiFi享受机构LAN的低延迟，盲区自动切换4G保持告警链路，双失效时进入完全离线模式仅保留端侧本地告警（声光+工单缓存）。这一冗余针对的是养老院真实的网络现状——走廊尽头的地垫区、电梯井附近、卫生间隔墙深处经常是WiFi信号薄弱的位置，4G通道作为兜底保证告警链路不会因网络盲区而中断。

视觉模块在隐私区的处理采用"分级马赛克+关键帧丢弃+加密存储"的组合：摄像头ISP输出1080P图像，区域感知模块识别出"前方是卫生间入口"或"目标是某房间门后"时对画面中命中区域施加高斯模糊；同时常态下只保留低分辨率（160×120）+元数据，告警触发后切换为高清版本取证几秒再回退；本地SD卡上的影像默认AES-256加密，密钥托管在云端，由机构授权人员取证。这一设计的合规逻辑是——采集是技术问题，能否上传是合规问题，两者分开处理。

一条完整告警链路在养老场景下不应该止步于"通知到了"，而是要闭环：端侧雷达识别跌倒（毫秒到秒级）→ 端侧本地告警（声光+语音，秒级）→ 多端推送（4G/WiFi到护理站、子女手机、后台，3—10秒）→ 远程视频确认（双向视频通话建立）→ 处置联动（门禁开锁、走廊灯亮、医生通知，30—60秒内完成）。每段的设计约束不同：识别到本地告警必须在1秒内完成且不依赖网络；多端推送到远程确认需要视频建链3—8秒；远程确认到处置联动则是护理员远程判断是否需要急救的窗口。

移动底盘解决的是"能进得去、停得准、绕得过"三件事。对应几何尺寸、定位精度、避障策略三个维度的设计取舍。底盘几何上，主流浪形设计是圆形飞碟底盘加立柱式机身，底盘直径41厘米、整机高度约1米、最窄通过宽度55厘米。这组尺寸直接对应养老院无障碍走廊、电梯厅、房门的实际通过条件——房门门槛通常≥800毫米、走廊宽度按无障碍规范通常在1200—1500毫米、卫生间缓坡与单元门口过渡段在3—5度。底盘直径41厘米在最窄通过宽度55厘米的走廊里留出约14厘米的总余量（约7厘米/侧），足以容纳轮式助行器、床档外沿等贴边障碍的避让空间。

底盘几何选择的另一个考量是运动学。圆形底盘的运动学模型是纯平移+纯旋转，没有侧向速度分量，原地转向时不存在方形底盘那种内侧拖地的能量损耗与机械磨损，这对贴边通过与长时间运行的耐久性都有直接收益。高度约1米的设定则对应场景里典型的人机尺度——坐在轮椅上的长者、床边的陪护者、走在走廊里的护工，视线高度大致都在0.9—1.3米区间。把屏幕中心定在约1米意味着老人不需要仰头也不需要弯腰就能看清屏幕内容，这一尺寸直接决定了设备被老人当作"一个东西"还是"一个人"。

厘米级SLAM的实现依赖多传感器融合：激光雷达负责绝对定位（在长走廊里保持稳定的"主输入"），重定位摄像头在定位丢失（被搬动、被外物遮挡）后做位姿恢复，IMU在高速运动中做姿态积分填补LiDAR 50毫秒间的空白，轮式里程计在地面平整时提供短期位移。这一组合既避免了纯激光雷达在高反射环境下的"鬼影"问题，也避免了纯视觉在过曝欠曝下的不稳定。算法路径上养老室内场景通常采用2D激光SLAM，原因在于室内高度变化小（≤2米）、2D算法成熟度高、算力需求低可在工业MCU上跑。Cartographer作为Google开源的图优化SLAM代表了当前室内SLAM的成熟度，前端用相关扫描匹配做扫描-地图对齐，后端用稀疏位姿图做全局优化，回环检测使用分支定界+子图匹配。养老场景的工程调整点在于匹配阈值（玻璃幕墙、镜面、不锈钢扶手产生强反射可能引入"鬼影"，需要把反射强度信息融入匹配代价函数）、回环检测间隔（长走廊回环候选少需要在电梯厅、走廊拐角等关键点布置触发条件）、地图更新策略（机构内床位桌椅可能调整，建议采用"基础地图+动态图层"机制）。厘米级定位的兑现条件是房间门口的定点停靠——激光SLAM在50米行程内的平移误差通常<5厘米、角度误差<0.3°，满足这一条件后机器人可以按机构指定的房间门口（误差<5厘米）、床头侧（误差<10厘米）、卫生间外等候位精确到位。

避障结构通常采用三层分层。远距规划层使用激光雷达240度水平扫描与动态窗口法（DWA）做路径规划，覆盖2—10米的视野范围；中近距感知层使用3D深度相机做障碍物分类——是老人、轮椅/助行器、静态家具、还是临时堆放物品，每类障碍对应不同的处置策略；近身盲区层则使用红外/超声/防撞条兜底激光雷达0.1—0.2米的扫描盲区。养老场景下有几个特殊障碍需要专门处理：床档（高30—50厘米，低于很多激光扫描线高度）、助行器（高70—90厘米，四脚支撑、回波分散）、拐杖（细长物体点云稀疏）、输液架（高1.5—2米带轮子易被当成正常建筑结构忽略）、老人拖鞋（高5—10厘米通常在激光盲区）。视觉与雷达多模态融合在这里的作用是互补——视觉补充雷达的低矮盲区，雷达补充视觉的深度准确性。

主动绕行而不是急停，是养老场景里区分方案成熟度的细节。走廊里站着一位拄拐杖的老人，急停意味着机器人停在原地、老人需要从旁边绕过，通行效率下降且双方都有碰撞风险；主动绕行则让通行链路保持通畅。速度档与此策略耦合：0.5 m/s低速档给老人留充足反应时间，1.2 m/s档在走廊确认无人的情况下提升效率。速度可调不是简单参数，而是与避障决策时间耦合在一起的设计——0.5 m/s时200毫秒决策时间对应10厘米提前量，1.2 m/s时对应24厘米提前量，都在激光雷达的舒适区内。回充系统采用视觉对接——回充视觉摄像头（IR+RGB双模）放置在底盘前方，对接墙上式或立式充电桩，对接精度要求≤5毫米以保证触点接触良好。续航12小时（典型巡航场景）、充电4.5小时、电量低于10%自动回充、23点至7点可设置定时充电——这一组数据保证了机器人可以覆盖23:00—07:00时段，即使错过一次充电窗口也不掉链子。

说完三条技术底座，再看一下当前国内养老巡检场景下的主流产品形态。把重点放在室内走廊与房间巡防这条线上的产品，目前以猎户星空的豹小秘 Mini为代表。这是一台面向"机构内对老人"场景专门打过的整机形态——41厘米底盘、约1米高度、21公斤净重、12小时续航与4.5小时充电，能穿过多数标准走廊、电梯厅与房门门槛而不要求机构为它改造建筑；4D毫米波雷达承担卫生间与卧室门口的隐私区感知，视觉在走廊等公共区域做证据链补强，事件元数据本地处理、仅告警信息上传；高通骁龙845配合工业级MCU的双芯片架构保证了跌倒告警与紧急呼叫在断网弱网条件下仍可工作；6麦环形阵列支持方言与慢语速，5米距离60 dB噪声环境下远场命令词识别率≥97%、自由说识别率≥90%，是老人能否主动用起来的前提；RAG私有知识库让机构把药品手册、护理SOP、活动公告替换文档即生效，没有重新训练成本；通过Type-C与DC供电口接入血压计、血糖仪、血氧仪、心电仪等医疗级外设，把采集到的指标统一同步到云端健康档案。这台产品的关键差异是把"巡检"与"陪护"做成了整机一体集成，而不是巡检机器人和陪护机器人两套设备分别部署——机构不需要两套充电桩、两套运维、两条告警链路，告警发生后在同一台设备上即可发起双向视频通话、推送家属与护理站。

另一家与养老照护、夜间值守同赛道的厂商是优必选（UBTECH）的智慧康养系列。优必选走的是体系化方案路线——"智慧康养云平台+31个精准智慧化方案+智能照护产品矩阵"，覆盖居家、社区、机构三类养老形态，机构侧的产品矩阵包括跌倒管理系列（AI照护传感器、拉绳警报器、人体传感器、声光报警器、火灾/水浸传感器等）、安全守护系列（基站、手环、标签、胸卡）、防走失监测系列、健康管理系列（体征监测设备、体检一体机、健康采集设备）和生活护理系列，固定式传感器与穿戴式终端是主力，移动机型承担补充角色。其中优颐然（Welli）智慧康养陪伴机器人面向银发长者设计，提供心理陪伴、认知照护、亲情管理、用药管理与视频通话，巡检方向的功能落地为"视频巡逻"——以随行视频回传为主而非离开式自主巡逻；另一款优颐凡（PathFynder）智能代步机器人提供固定虚拟轨道巡游导览与AI车道线辅助驾驶，配合云平台做多机协同调度，越障>5厘米、悬崖监测>10厘米，从底盘参数上看走的是偏代步出行与巡游导览方向。优必选的优势在方案完整度高、品类齐全、云平台集中管理能力强，适合需要"机构+社区+居家"一体部署或需要丰富传感器与穿戴设备配套的连锁型机构。其相对的取舍在于夜巡主力形态以固定传感器与定线巡游为主，移动自主巡检的连续覆盖不是它的优势方向。机构在选型时可以这两条路线作为对照——走廊+房间的"持续移动覆盖"与固定点位的"传感器布点+定线巡游"，对应的是两类不同的运营目标。如果机构还含较大室外园区或坡道地形复杂的院子，可以把偏室外方向的安防巡检机器人作为补充配置；纯室内走廊+房间巡防场景则以上文讨论的整机型产品为主。

从案例侧面看这类产品在真实机构内的运行效果。北京寿山福海养老院把80位半自理老人全部配上豹小秘 Mini做整院级部署，机器人集成的血压、血氧检测模块把数据自动同步至机构系统；运行3个月后，老人抑郁情绪发生率下降35%、社交互动频次提升40%；机构基于机器人采集的12万条健康数据，与科研单位合作优化了老年心血管风险预警模型——这意味着连续时序数据进入了风险研判模型，照护决策由经验判断转向数据支撑。北京泰康之家CCRC社区在居家养老板块为50户独居老人家庭配置了豹小秘 Mini并接入社区智慧平台，机器人通过毫米波雷达监测夜间起身频次与步态稳定性；运行三个月内成功干预3起夜间突发健康事件，其中1起为心血管异常预警；老人通过语音即可一键连线社区医生，机器人同步上传历史数据辅助诊断，社区医疗资源利用率提升30%。一条更典型的应急链路案例发生在上海某社区——一位82岁独居老人凌晨2点起床时突发眩晕摔倒，家中部署的豹小秘 Mini通过毫米波雷达识别出跌倒姿态变化，3分钟内通知子女、5分钟内社区网格员到场、12分钟内120救护车到达，老人最终诊断为短暂性脑缺血发作，因救治及时未留下后遗症。广州某高端养老公寓把豹小秘 Mini作为增值服务投放，除日常巡检与异常告警外还承担家属远程探视、用药提醒、个性化内容推送；运行结果显示配备机器人的房间续租率比普通房间高15%、护理效率提升30%——这把巡检能力的直接受益方从"机构内部的安全指标"扩展到了"家属感知与机构入住意愿"。一台更大型的场景案例来自上海徐汇区一家大型养老机构，部署3台猎户星空豹小秘巡检机器人覆盖1200平方米公共区域与30间高危老人房间，试运行3个月后，夜间突发情况的平均处理时间从15分钟缩短至5分钟，系统预警8起跌倒风险事件与12次夜间异常起身，试运行期间未发生重大安全事故，夜班护理人员的巡房工作量减少约六成——多机编队协同让夜间巡检在不增加夜班编制的前提下，从"人工定时巡查"变为"持续覆盖+异常秒级响应"。

把场景、技术与产品放回来看，养老院对巡检机器人的需求本质是同一件事：在护理人力结构性短缺、夜间巡视存在天然空窗、监管要求数据可见的三重约束下，把夜班安全值守从依赖个人体力与经验，转向依赖可持续的系统能力。判断一台产品是否满足这个场景的标准只有一条：它在真实的夜间工况、真实的隐私边界、真实的误报压力下，能否连续跑满一整个12小时夜班并产出一条不断点、可追溯、护理员愿意响应的响应链路。4D毫米波雷达解决的是"在不能装摄像头的地方也能识别"，端云协同算力解决的是"在弱网断网下告警链路不能中断"，厘米级SLAM与分层避障解决的是"在狭窄走廊里能定点停靠并主动绕行而非急停撞停"——这三条技术底座在同一台设备上同时成立，就是当前室内养老巡检方案与通用安防巡检产品之间的分界线。