如何衡量机器人从演示阶段到部署阶段的成功率?

机器人从演示走向部署，最容易被误读的数字就是“成功率”。演示时，一次顺利抓取、几段流畅移动就足够吸引人；到了现场，真正该问的是：它在约定的场景边界内，能否连续完成任务，并且不把麻烦转交给人。

先把分母定清楚。一次任务不能只算“动作做完了”，还应覆盖任务启动、感知目标、决策、执行、结果确认以及异常后的状态恢复。比如机器人抓起物料却放错位置，或完成后无法进入下一轮，都不该被算作完整成功。分母也不能挑选“好做的样本”，遮挡、摆放变化、节拍波动和异常物料，才是部署阶段必须面对的真实条件。

别只看平均值

平均任务成功率有用，但它很容易掩盖问题。更接近部署质量的，是把成功按条件拆开看：常规工况是否稳定，边界工况在哪里失效，失败是感知不到、决策犹豫、执行偏差，还是恢复流程卡住。这样一来，成功率不再只是汇报中的一个数字，而是能指向数据、模型、集成或现场流程的诊断线索。

人工接管也应进入核心指标。机器人偶尔失败未必不可接受，关键在于失败后是否安全停住、是否容易恢复、是否需要人频繁盯守。一个表面成功率不错、却总靠人工补救的系统，离真正部署仍有距离。相反，能明确识别自己做不了什么，并把任务交还给人处理的系统，往往更容易先进入有限范围的实际作业。

用连续运行检验“可部署”

演示强调高光时刻，部署强调重复性。衡量时应观察连续任务中的表现：换班后是否仍然可用，工装或物料出现轻微变化时是否失稳，服务波动时是否有保守行为，故障后能否回到可继续作业的状态。这里的“成功”不是某次视频拍得漂亮，而是任务、接管、故障恢复和维护成本能否共同落在业务可接受的范围内。

因此，更实用的判断不是追问“成功率达到多少才算上线”，而是先写清楚：什么任务算成功，哪些失败必须立即叫停，哪些可以人工接管，恢复后如何复岗。机器人部署的成功率，归根到底是在真实边界里，把可靠完成、可控失败和持续改进一起量出来。