空间具身智能技术拆解：从三维感知到动作执行

几天前一家把“空间具身智能”作为公司定位的科技企业宣布完成 A 轮融资金额为数千万元人民币。同行交流群里出现两种典型反应一种认为“空间具身智能”只是把空间智能和具身智能拼接出来的营销热词另一种则注意到这家公司对外强调的核心信息不是概念而是“已经落地多个行业应用”。我更倾向于把这则融资消息当做一个技术信号来读。过去几年“具身智能”大多与人形机器人绑定出现讨论重心集中在人形硬件是否成熟、灵巧手能不能做好精细操作。但这次资本关注的是一家直接做空间理解与机器人操作的公司产品形态更接近工业机械臂、复合机器人这类已经具备稳定出货能力的载体。换句话说行业对具身智能的关注点正在从“身体像不像人”转向“机器能不能真正理解它所在的三维空间”。这篇文章不从投资角度分析估值而是尝试从技术角度回答三个问题第一空间具身智能到底是一个值得认真对待的技术品类还是旧技术换了个新名字第二要实现这类系统完整的技术链路包含哪些模块业界提到的空间感知、场景理解、运动规划之间到底是什么关系第三如果你是机器人或三维视觉方向的工程师想快速理解甚至参与这条赛道应该从哪里入手现场落地又会遇到哪些真实工程坑。1. 空间具身智能为什么值得关注它不是旧技术换了个新名字传统工业机器人过去几十年解决的核心问题是“环境工程”而不是“机器人智能”。为了让机械臂稳定工作工厂通常会把环境做到极致工件放在固定治具上来料方向用振动盘整理机器人只需要按照示教轨迹重复运动。这套路线在单一品种、超大产量的场景里非常高效但遇到今天制造业最典型的多品种、小批量、快速换产需求时矛盾就暴露出来了。切换一个新料号往往意味着重新设计夹具、重新示教轨迹、重新调试视觉定位。这个过程的成本不是设备本身的采购成本而是大量有经验的机器人工程师在客户现场的驻场时间。传统视觉分拣方案解决了一部分问题但它的工作方式本质上还是“针对每个 SKU 训练检测模型”新来一种物料就要采集数据、标注、训练、部署换产周期仍然以天甚至以周计算。空间具身智能这个品类目标是在架构层面改变上述模式。它不是把一个更聪明的识别算法塞进传统机器人而是把三维空间感知、场景语义理解、物体位姿推理、运动规划与执行反馈整合成一套完整的软硬件系统。用户面对的不再是某个单点视觉模块而是一台“看到场景就能理解任务、换一种物料也能自己适应”的机器人工作站。这也是为什么它敢宣称“落地多个行业应用”一个基于空间理解的产品其能力底座是通用的三维场景理解能力而不是某一家工厂的某个零件数据库。能力一旦通用化复制到不同行业时边际成本就会明显下降。理解这一点就理解了资本为什么愿意给这条赛道数千万量级的 A 轮融资。2. 核心概念拆解具身智能、空间智能与空间具身智能“空间具身智能”这个词看起来像是两个热词拼接但它内部其实有一条清晰的技术逻辑链条。我们要先厘清三个概念才能判断这个词有没有实质内涵。具身智能Embodied Intelligence指的是拥有物理身体、能够通过与环境的交互来学习并完成任务的智能系统。它与纯语言模型或纯视觉模型的差别在于智能体必须有身体身体必须有行动能力行动之后环境会给出反馈系统依赖这种交互反馈不断改进。机器人和具身智能的关系可以理解为“载体”与“能力”的关系。空间智能Spatial Intelligence指的是对三维空间进行感知、建模、推理的能力。人类能在陌生房间里找到一把椅子并绕开桌角走过去依赖的就是空间智能。对机器来说空间智能的难点在于要把带有噪声的传感器数据转换成稳定的空间表示并且在这个表示之上完成“物体在哪里、能不能够到、路径是否畅通”这类推理。空间具身智能可以理解为两者的交集一个具身载体比如机械臂、复合机器人在三维空间里完成感知、理解、推理和操作。它的人形含量不是重点重点在于系统是否具备“面向开放场景的空间理解与操作泛化能力”。对比维度传统工业机器人视觉深度学习视觉分拣空间具身智能系统适用场景高重复、强结构化、料件固定半结构化、SKU 已知多变场景、跨品类小批量感知方式2D/3D 简单定位、模板匹配针对每个 SKU 训练检测/分割模型空间场景理解 语义推理 几何推理换产成本高重新示教、改造夹具中采集新 SKU 数据并训练模型低通过空间泛化快速适配新物料系统核心轨迹与 I/O 逻辑单点识别算法感知、决策、执行一体化主要成本现场部署人力数据采集与标注模型迭代与场景适配验证很多人会把空间具身智能理解成“机械臂加一个 3D 相机”这是最典型的误解。3D 相机只是传感器相当于人的眼睛真正的难点在于大脑部分系统能不能从有噪声、有遮挡、有反光的点云中分割出目标物体估计出它的 6D 位姿三维位置加三维姿态再结合夹爪尺寸和障碍物分布生成一个不会碰撞、成功率足够高的抓取位姿最后还要在执行失败时懂得重试或者切换策略。这套能力体系与单点算法不同它真正难的是多个模块之间的一致性。今天检测模型说“这里有工件”位姿估计却说不出工件的准确朝向明天位姿估计算出来了运动规划却发现夹爪和料箱壁会碰撞。空间具身智能作为技术品类之所以成立是因为它把这些单点能力放进了一个统一的系统框架里并且用工程手段让整套链路在真实节拍要求下稳定运行。3. 技术架构拆解从三维感知到动作执行的关键链路抛开营销语言一台空间具身机器人要真正干活技术链路上至少包含五个层次。你可以把它想象成一个工厂里的生产流水线传感器是来料口场景理解是质检和分拣规划是调度室执行是车间数据回流则是改善看板。感知层负责把物理世界转换成机器可以计算的表示。它通常包含 RGB-D 深度相机、结构光相机或 ToF 相机输出彩色图、深度图和点云。感知层的输出质量直接决定整个系统的上限这也是为什么空间具身厂商普遍要在相机选型、多视角融合、标定上投入大量精力。现场最常见的失败案例往往不是算法不够先进而是高反光工件在点云里出现了大片空洞。场景理解层是空间具身区别于传统视觉的核心。它不只做“识别出这是一个螺栓”还要完成更复杂的空间建模把工作台或料箱的平面提取出来把散乱堆叠的物体从点云中分割开判断物体当前是平放、斜放还是互相勾连构建一个包含几何约束和语义信息的场景模型。移动机器人还要叠加 SLAM即时定位与地图构建能力实时知道自己在哪里。决策规划层负责回答“下一步怎么动”。它需要生成候选抓取点、评估每个抓取位姿的成功概率、规划一条从当前位姿到目标位姿且不与障碍物碰撞的路径。传统方案通常用人工规则挑选抓取点空间具身方案则倾向于用一个可学习的模型来评估“这里好不好抓”这能明显提升对异形件和堆叠场景的适应能力。执行控制层把规划结果变成物理动作。机械臂要完成轨迹跟踪遇到接触时要有力控或柔顺能力夹爪或吸盘要根据物体材质选择合适的抓取动作。许多视觉团队在实验室里模型效果很好一上真机就失败原因往往出在这一层机器人运动误差、夹爪开合误差、工件受力后滑动都会让原本准确的位姿变得不可靠。数据与学习层则是整个系统持续进化的引擎。每一次抓取的成功或失败都会被记录为带标签的样本运营方利用仿真环境扩充数据用合成数据训练模型再通过 Sim2Real仿真到现实迁移技术把模型效果迁移到真实场景。空间具身系统的长期竞争力很大程度上取决于它的数据回流机制是否顺畅而不是第一次部署时的静态精度。系统层级核心任务代表性技术组件感知层物理世界数字化RGB-D 相机、点云预处理、语义分割、6D 位姿估计场景理解层构建并维护工作区空间模型场景图、平面提取、堆叠物体分割、SLAM决策规划层从任务目标到动作序列抓取点生成、路径规划、避障、任务调度执行控制层把动作规划安全地执行出来机械臂运动学、力控/柔顺、夹爪吸盘控制数据学习层从现场反馈中持续优化模型Sim2Real、合成数据、模型微调、指标监控如果只记住一个判断那就是一个真正意义上的空间具身系统其竞争力不在任何单一算法而在五个层次整合后的系统稳定性。这也是为什么这项技术看起来门槛不高单点算法大多已经开源但真正能做成产品并交付到多个行业的团队并不多。4. 行业落地逻辑哪些场景真正受益哪些还在验证期一家公司能说“落地多个行业应用”意味着空间具身智能不再是只能跑演示 demo 的实验室技术。从行业现状看最先产生真实价值的集中在几个具备共性的场景工件或货物形态多样、来料位置不固定、频繁换产、传统示教成本高。工业上下料与无序分拣是空间具身的第一个金矿区。机加工行业经常要把毛坯件从料箱里取出、放到机床上加工工件可能是铸件、锻件或异形钣金还经常带油污、有反光、互相堆叠。过去的做法是人工上料或者用振动盘加特定夹具让机器人只能抓一种料。空间具身系统用三维场景理解代替固定夹具机器人在一次认料之后面对不同摆放姿态都能计算并执行抓取。这个场景的价值非常直接它把工人从单调、危险、重复的上下料工作中解放出来同时让产线具备快速切换不同工件的柔性。仓储物流和拆码垛是另一个已经跑通的场景。物流现场最头疼的不是“能不能认出货物”而是货物可能歪斜、堆叠、缠绕膜破损纸箱种类天天在变。传统固定程序拆垛在面对新纸箱尺寸时非常脆弱。空间具身系统则能实时感知每一层货物的位置和姿态动态规划拆垛顺序。较新的产品还会把视觉系统装在移动底盘上形成移动操作机器人在同一仓库里完成多工位的拣选和搬运。装配辅助和三维测量也开始出现空间具身的身影。比如大型零部件的对准装配需要机器人根据三维测量结果自动调整进入姿态又比如质检环节机械臂夹持传感器围绕工件做自适应路径扫描而不是固定几个拍照位。这些场景的共同特点是任务不是简单抓取而是要求机器人“理解物体姿态并据此做精密动作”。必须诚实指出目前空间具身智能的成熟度主要集中在半结构化的工业与物流现场。所谓半结构化是指工作台、料箱、货架这些大环境是确定的但目标物体的位置、姿态、种类是变化的。完全开放的家庭环境、随机的桌面清理这类任务对可靠性、成本和安全性都还有明显差距。采购方在做技术选型时应该关注当前产品在结构化程度上的真实边界而不是被“通用机器人”的叙事带偏。5. 最小工程示例从一副点云到可抓取空间要理解空间具身系统和传统机器人视觉的差异不必先搭建完整产品。我们可以用 Open3D 写一个最小示例模拟空间感知阶段最典型的动作输入一副料箱场景的点云经过降采样、去噪提取出料箱底面平面从而得到“物体上方是可操作空间”这一几何结论。这套代码不依赖任何厂商 SDK可以本地直接跑通适合建立工程手感。5.1 Open3D 点云预处理与平面提取示例文件路径examples/spatial_perception_demo.py 功能空间感知最小示例。 输入料箱场景点云.ply 格式 输出预处理后的点云统计、料箱底面平面方程、法向量。 import numpy as np import open3d as o3d def load_workcell_cloud(path: str, voxel_size: float 0.005): 读入点云做体素降采样和统计去噪。 pcd o3d.io.read_point_cloud(path) print(f[1] 原始点数{len(pcd.points)}) # 体素降采样能控制点数规模同时保留几何结构 pcd_down pcd.voxel_down_sample(voxel_sizevoxel_size) print(f[2] 降采样后点数{len(pcd_down.points)}) # 统计滤波可以去除深度相机常见的飞点 pcd_clean, _ pcd_down.remove_statistical_outlier( nb_neighbors20, std_ratio2.0 ) print(f[3] 去噪后点数{len(pcd_clean.points)}) return pcd_clean def extract_bin_plane(pcd, distance_threshold: float 0.01): 用 RANSAC 提取料箱底面平面。 plane_model, inliers pcd.segment_plane( distance_thresholddistance_threshold, ransac_n3, num_iterations1000, ) [a, b, c, d] plane_model print(f[4] 料箱底面方程{a:.3f}x {b:.3f}y {c:.3f}z {d:.3f} 0) print(f[5] 平面内点数量{len(inliers)}) return plane_model, inliers if __name__ __main__: cloud load_workcell_cloud(data/bin_scene.ply) plane_model, _ extract_bin_plane(cloud) # 平面法向量可作为机械臂接近方向的初始参考 normal np.array(plane_model[:3]) normal normal / np.linalg.norm(normal) print(f[6] 归一化法向量接近方向参考{normal})这段代码的逻辑对应实际系统的两个基本步骤。体素降采样把相机采集到的几十万甚至上百万点缩到可控规模减少后续计算开销统计滤波把深度相机在反光边缘或黑色吸光物体附近产生的离群飞点去掉。RANSAC 平面检测则是空间理解的第一步——先把工作区域的大结构找出来。有了料箱底面平面我们就知道物体堆在哪个平面上、机械臂应该从哪个方向接近。你可以在本地生成一个模拟点云来验证也可以用自己手头 RGB-D 相机录制一段点云保存为 PLY 文件。运行命令如下python examples/spatial_perception_demo.py如果运行顺利你会看到从原始点数到降采样点数、去噪点数的数量变化以及一个形如0.001x 0.002y 0.999z - 0.500 0的平面方程。在真实系统里机器人会基于这个几何坐标确定料箱边界和夹爪安全接近空间。5.2 用配置隔离现场差异真正产品化的系统不会把参数写死在代码里。不同客户的料箱尺寸不同、相机安装高度不同、夹爪规格不同工程上通常把现场差异配置化让软件核心保持稳定。下面是一个典型的工作站配置示例你可以在自己的项目里参考这种结构。# 文件路径config/workcell_example.yaml workcell: name: bin_picking_demo robot_ip: 192.168.1.100 camera_mount: eye_to_hand # 常见方案eye_in_hand 或 eye_to_hand perception: pointcloud_topic: /camera/depth/color/points voxel_size: 0.005 # 体素尺寸单位米 outlier_std_ratio: 2.0 plane_distance_threshold: 0.01 pick_planner: approach_distance: 0.10 # 抓取前接近距离单位米 max_grasp_candidates: 20 # 每次最多生成的候选抓取点数量 clearance_threshold: 0.02 # 夹爪与料箱壁的最小安全间隙 suction_enabled: true # 是否启用吸盘 evaluation: trials: 100 # 验收测试次数 success_criteria: object_lifted_and_transported output_csv: results/pick_evaluation.csv配置中心的思路在这里非常适用。相机内参、相机到机器人的手眼标定结果、深度参数、抓取规划参数都应该通过配置或外部服务下发而不是散落在机器人代码里。现场调试工程师调整视觉参数时不应该需要重新编译程序。这也是空间具身系统从 demo 走向产品化的重要标志。5.3 从点云到抓取位姿中间还差哪几步上面的点云示例只是感知链路的开始。从检测出平面和物体到机械臂真正抓到物体中间还需要完成几个关键模块。第一步是目标分割与 6D 位姿估计。系统要从点云中区分“哪些点是目标工件、哪些点是料箱壁”然后估计工件在相机坐标系下的完整位姿不只是中心点位置还包括绕三个轴的旋转角度。第二步是抓取点生成与评分。根据工件位姿、夹爪开口尺寸、吸盘直径生成多个候选抓取方案再评估每个方案被遮挡程度、碰撞风险和稳定性。第三步是坐标变换与运动规划。把相机坐标系下的目标位姿通过手眼标定矩阵变换到机器人基坐标系再规划一条无碰撞路径。这一串链路中任何一个环节的误差都会累积最终表现为现场抓取失败。很多初学者以为“深度学习模型能识别物体”就等于“机器人能抓取”实际工程里坐标变换误差和环境不确定性往往比识别准确率更影响成功率。这也是空间具身厂商真正投入工程力量的地方。6. 效果评测方法用首抓成功率和节拍说话采购一套空间具身系统时最忌讳只看演示视频。演示环境经过精心打光、工件经过擦拭、节拍放慢并不能代表真实生产状态。行业里比较通用的做法是用量化指标来验收其中最重要的两个指标是首抓成功率和单循环节拍。首抓成功率指的是系统第一次尝试就成功抓起目标物体的比例。它比“综合成功率”更严格因为一次失败后的重试会大幅拉长节拍。单循环节拍则指完成一次抓取并放到目标位置的耗时它决定了系统每小时能处理多少工件直接影响客户的投资回报计算。下面这个评测脚本演示了验收流程的标准思路按固定次数循环测试记录每次是否成功、耗时多少、失败原因最后汇总统计并输出 CSV 报告。文件路径evaluation/run_pick_evaluation.py 功能按固定 N 次循环统计空间具身系统的首抓成功率与平均节拍。 说明下面 RobotGraspClient 是一个示例用桩客户端真实部署时 应替换为厂商 SDK、ROS action client 或内部 HTTP 服务调用。 真实系统中的 success 来自力觉/视觉反馈确认而不是随机数。 import csv import time from dataclasses import dataclass dataclass class PickResult: trial_id: int success: bool cycle_time_ms: float fail_reason: str class RobotGraspClient: 桩客户端模拟一次完整的 pick-and-place 过程。 def pick_and_place(self, object_id: int) - bool: # 模拟感知、规划、执行三个阶段的总耗时 time.sleep(0.6) # 实际系统应从夹爪到位传感器与视觉复检获取结果 return True def run_evaluation(n_trials: int 100, config: dict | None None): client RobotGraspClient() results: list[PickResult] [] for i in range(n_trials): start time.perf_counter() ok client.pick_and_place(object_idi) cost_ms (time.perf_counter() - start) * 1000 results.append(PickResult( trial_idi, successok, cycle_time_msround(cost_ms, 1), fail_reason if ok else grasp_lost )) success_count sum(1 for r in results if r.success) success_rate success_count / n_trials avg_cycle_ms sum(r.cycle_time_ms for r in results) / n_trials print(f测试次数{n_trials}) print(f首抓成功率{success_rate:.2%}) print(f单循环平均耗时{avg_cycle_ms:.1f} ms) with open(results/pick_evaluation.csv, w, newline) as f: writer csv.writer(f) writer.writerow([trial_id, success, cycle_time_ms, fail_reason]) for r in results: writer.writerow([r.trial_id, r.success, r.cycle_time_ms, r.fail_reason]) if __name__ __main__: run_evaluation(n_trials100)从验收口径看行业通常会约定首抓成功率不低于某个阈值并且要求在一定数量的循环测试中不许发生严重故障。不同物料和节拍需求下阈值差异很大比如易抓取的规则纸箱和难抓取的异形铸件不可能使用同一个标准。合理的方式是供需双方在项目开始时就针对具体物料共同定义“成功”的判定条件成功是抓起后移动到位还是包含放下的位置精度重试算不算失败这些口径不统一验收时很容易产生争议。评测结束后CSV 记录比一个平均数更有价值。逐条检查失败用例你会发现失败往往集中于某一类工况某个姿态的工件、某一种光照条件、某一段托盘位置。把失败样本聚类并回灌给模型或算法模块是系统提升首抓成功率最有效的路径。7. 现场部署常见问题与排查思路空间具身系统在实验室运行良好、一到客户现场就出问题这是行业里最常见的情况。根据大量项目交付经验问题大多集中在传感器数据质量、标定一致性、通讯与逻辑并发这几个层面。下面整理了一份现场排查表供实施工程师参考。问题现象可能原因排查方式解决方案点云出现大片孔洞或飞点高反光金属件、黑色吸光件或相机曝光参数不合适打开原始点云观察数据质量对比不同曝光参数调整相机曝光、增加多角度拍摄融合或改用结构光/多帧深度方案视觉定位准确但抓取总是偏移手眼标定失效或相机固定支架发生位移用标定板重新验证手眼矩阵重新执行手眼标定并增加定期自动校验流程首抓成功率正常但搬运过程掉件夹爪选型不当或缺乏力控反馈观察掉件发生在加速度阶段还是放件阶段更换夹爪/吸盘型号增加力控或减速策略整套系统节拍达不到设计要求视觉推理耗时过长或运动规划路径频繁重规划对感知、规划、执行各阶段分别计时升级推理硬件、降低点云分辨率、对规划器做参数调优换新物料后识别率明显下降训练数据分布覆盖不足或系统依赖固定 SKU 模板收集新物料的失败案例分析错误类型补充数据做模型微调或接入多模态大模型做零样本辅助判断偶发性的抓取失败没有日志缺少统一日志系统失败样本没有回流检查历史日志是否完整记录视觉和运动数据建立结构化日志与失败数据自动回传机制现场排查的第一原则是先分层定位再谈优化。不要一看到抓取失败就急着调模型。首先确认传感器数据是否正常其次确认手眼标定是否仍然有效接着确认抓取规划在这个位姿下是否合理最后才轮到模型泛化能力。多数现场问题发生在数据链路的早期环节却被工程师误当成算法问题反复调参。值得注意的是空间具身系统往往同时涉及视觉团队、机器人团队和客户产线团队。排错时一定要有完整的时间戳日志让视觉检测结果、规划结果、机器人实际执行轨迹能够在时间轴上对得上。没有日志的现场再好的工程师也只能靠猜。8. 给开发者和团队的工程实践建议空间具身智能赛道正在快速成形但对工程师和项目决策者来说更需要保持清醒的工程判断。结合产品落地经验我有几条比较具体的建议。第一不要相信“开箱即用”的叙事要先选对场景。空间具身系统的泛化能力有边界成熟度最高的依然是半结构化工业场景。如果是做技术验证优先选择料箱、工作台、传送带这类环境背景稳定的场景如果是做产品选型一定要让供应商在自有工件上跑连续测试而不是只看标准 demo。第二从第一天就定义成功指标。首抓成功率、单循环节拍、无故障运行时长、换产时间这些指标应该写进技术协议。很多项目烂尾不是设备不行而是供需双方对“什么叫成功”从来没有达成一致。建议以 CSV 日志和回放录像作为验收依据避免主观判断。第三把标定当作持续运营工作而不是一次性工作。相机支架被叉车碰一下、机械臂末端碰撞后轻微变形都可能导致手眼矩阵失效。生产中应设计定期校验流程利用料箱、标定板或场景中的固定结构物自动检测标定漂移一旦误差超限就告警停机。第四搭建失败样本回流机制。每一次抓取失败要把当前点云、彩色图、位姿估计结果、规划结果和执行反馈完整保存下来。这些失败样本是系统的核心资产。基于失败样本的模型更新往往比在实验室里堆更多仿真数据更能提升现场表现。第五端到端模型要谨慎使用控制好边界。空间具身领域出现了许多端到端学习方案但这类系统的可解释性和可调试性仍然偏弱。工业交付阶段更稳妥的做法是保留模块化架构让每个环节有明确的输入输出和日志端到端模型可以作为特定环节的增强组件逐步引入。第六安全设计是底线。机械臂是有伤害能力的设备系统必须配置安全区域、急停开关、速度限制和夹爪力限制。任何未经验证的新模型或新策略都应该先在仿真环境或隔离区域运行确认无碰撞风险后再投入产线。机器人系统涉及权限控制时应遵循最小权限原则避免操作人员接触到超出职责范围的控制接口。9. 结论空间具身智能的下一站在哪里回到开头那笔融资一家公司能在 A 轮就拿到数千万元投资并且强调“多行业落地”一定程度上说明空间具身智能已经从概念验证期进入产品化早期。资本愿意投入的原因并不复杂——当一家公司的能力底座是“理解三维空间并操作物体”而不是“认识某个客户的某个零件”时这个生意本身就具备了跨行业复制的可能性。从技术趋势看接下来值得关注的方向有两个。其一是空间基础模型的发展当三维场景理解能力被压缩成可复用的大模型底座后机器人的换产方式可能会从“采集新数据、训练新模型”进一步简化为“语言或少量示例直接指定新任务”。其二是软硬一体化的交付能力同样一套空间智能算法装在不同机械臂、不同夹爪、不同移动平台上效果可以天差地别能把“智能”与“载体”稳定耦合的团队会成为下一阶段的稀缺资源。对普通开发者来说现在正是进入的好时机。空间具身智能的技术栈并不神秘底层的点云处理、位姿估计、运动规划都是成熟学科大量开源工具可以学习真正的门槛在于把单点算法组装成可靠系统并理解机器人现场的物理约束。建议从阅读传感器文档、跑通 Open3D 点云流程、理解手眼标定开始一步一步建立空间智能的工程直觉。这门技术的终点不会是某一家公司的某个产品而是机器人行业默认的基础能力就像今天的手机默认拥有摄像头和定位能力一样未来的机器人也会默认拥有空间理解能力。到那时“空间具身智能”将不再是一个需要解释的新品类而会成为所有机器人产品的基本盘。