Reference · Company dossier
东京起家、从 ETH Zurich 分拆出的仓储机器人公司，以云机器人平台 rapyuta.io 群控自研 PA-AMR 拣选机器人、ASRS 与无人叉车，是日本拣选辅助 AMR 市场占有率第一的厂商。[确认]
2014 年 7 月 2 日由 Gajamohan Mohanarajah（CEO）与 Arudchelvan Krishnamoorthy（CFO）在东京创立，两人均为斯里兰卡裔、东京工业大学同学；技术源头是欧盟 RoboEarth 项目中的开源云机器人平台 "Rapyuta"，创始人此后在 ETH Zurich 取得博士学位。[确认] 总部位于东京江东区，研发最初在苏黎世起步，现有东京、大阪、印度金奈与美国伊利诺伊州绍姆堡（Schaumburg）据点和美国子公司；员工 270 人以上（2026 年官方口径），日本法人被保险人数约 197 人。[确认]
2015 年种子轮约 320 万美元，2016 年 A 轮约 900 万美元，2018 年 A 轮扩展 950 万美元（Sony Innovation Fund、JMTC Capital、SBI Investment 等参与）。[确认] 2022 年 4 月 C 轮 64 亿日元（约 5,100 万美元），Goldman Sachs 领投，累计融资 100 亿日元（约 8,100 万美元）。[确认] 2024 年 3 月获 BOT Lease 追加 C 轮，2026 年 5 月获 UPSIDER BLUE DREAM Fund 债权融资，两笔金额均未披露；第三方数据库口径累计约 8,600 万美元。[确认/第三方] 估值未披露。[未获取]
三条硬件线：Rapyuta PA-AMR 拣选辅助 AMR（标准、高载重、重量检品等型号，让作业者少走路并按 AI 路线拣选）、Rapyuta ASRS 模块化自动仓储（FRP 结构、无锚固、可拆装扩容、抗震）、Rapyuta AFL 无人叉车（1.35 吨载重、4.5 米举升）。[确认-第三方] 软件层为 rapyuta.io，提供机器人应用的持续集成与部署、车队监控、任务分配与路径规划、AMR 仪表盘。[确认] 交付模式兼有固定月费的机器人即服务（RaaS）与传统项目制。[确认/推测] 2026 年 8 月推出把 PA-AMR、ASRS、叉车、拆零拣选与外部输送设备串接的端到端仓配方案。[确认-第三方]
Rapyuta 的技术栈从云向端展开。云端是 rapyuta.io，负责机器人应用的构建、部署、配置下发、设备监控与任务调度；端侧是运行在机器人上的容器化运行时，把 ROS 节点、驱动与业务进程打包成可远程更新的组件；现场层是 PA-AMR、ASRS 与无人叉车三类本体，通过 Wi-Fi 或 4G 与云端保持连接[确认]。
rapyuta.io 的资源模型把设备、软件包、部署、配置与密钥抽象为可版本化的对象。开发者提交代码后由平台构建镜像，选择目标设备与运行环境后下发；同一套部署可以指向单台机器人或整个车队，回滚以部署版本为单位[确认]。运行时支持 Docker 容器，ROS 节点与业务进程可以打包成同一镜像，计算密集的模块可以放到云端或边缘服务器[确认]。
这套架构的来源可以追到欧盟 RoboEarth 项目与 ETH Zurich 的云机器人研究，创始人把机器人的决策能力放在云端作为初始假设[确认]。多机器人协调部分沿用 ALICA 框架，公司是该框架的维护者与主要贡献者，并持有多机规划与控制相关专利[确认]。
数据流分两条。任务流从 WMS 或调度界面进入云端，拆成取货、行走、拣选、放货等步骤，按机器人位置与负载分配；状态流从机器人上传位姿、电量、故障码与任务进度，供监控与报表使用。网络中断时，端侧保留当前任务的执行能力，云端失去全局视图，新的跨机调度暂停[推测]。
PA-AMR 的传感器配置为前后各一台激光雷达、两台 3D 相机与急停按钮，定位精度标称 10 至 15 厘米[确认]。这一精度对应拣选辅助的作业方式：机器人跟随拣货员在货架间移动，拣货员按屏幕指示取货，机器人负责承载与导航，停位不需要叉车级的毫米级对接。3D 相机成对工作，用于检测托盘、料箱与低矮障碍，激光雷达提供 360 度轮廓与走廊约束。
导航采用自然轮廓匹配，现场不需要铺设磁条或安装反光板，这是 Rapyuta 在日本市场强调的部署优势[确认]。建图由现场工程师推车或遥控完成，生成的栅格地图与拓扑路线上传云端，后续任务在地图上标注取货点、放货点与充电位。仓库布局调整后需要重新建图，否则定位会漂移[推测]。
失效模式与仓库环境强相关。长走廊两侧货架重复，激光扫描容易出现相似匹配，机器人可能沿走廊方向偏移；透明缠绕膜与反光托盘会造成深度缺失；叉车快速横穿时，3D 相机的检测窗口短于制动距离；Wi-Fi 覆盖不足的区域会让云端调度与机器人失联。对应策略包括降低速度、增加停站确认、在关键路口设置虚拟限速区，以及端侧缓存任务[推测]。
公开材料给出的是定位精度与传感器清单，缺少误检率、重定位时间、动态障碍物响应距离等指标[未获取]。这类指标需要在实际仓库中按人流密度与货物类型分层测试，厂商标称值只能作为参考。
PA-AMR 的任务规划围绕拣选效率展开。云端把订单拆成拣选波次，按货位分布与机器人位置分配任务，路径规划在栅格地图上做全局搜索，局部层处理行人、叉车与临时堆放。多机之间通过区域锁与优先级规则避免死锁，狭窄通道设置为单机通行，交叉口按到达顺序排队[推测]。ALICA 的协作模型用于描述这些多机行为，把任务分解为角色与状态机。
ASRS 的控制对象是货架、提升机与穿梭车。模块化钢结构以自重与结构刚度保持稳定，现场不需要地面锚固，结构设计考虑抗震要求；货位分配、出入库顺序与提升机调度由仓储控制软件负责，外部输送线通过接口衔接[确认]。这类系统的节拍由提升机与穿梭车的物理速度决定，软件优化的空间集中在任务排序与波次合并。
货到人与人到货是仓储自动化的两条路线。ASRS 与穿梭车把货箱送到固定站台，拣货员不需要走动，单位面积存储密度更高。PA-AMR 走的是人到货的辅助路线，改造成本低，效率提升依赖订单结构与拣货路径的优化[推测]。
无人叉车的难度高于 AMR。1.35 吨载重、4.5 米举升这两项参数意味着门架晃动、货物偏心与地面不平都会影响对位[确认]；托盘孔位识别需要 3D 视觉与激光的融合，插齿过程需要力反馈与微调[推测]。仓库中的人车混行要求安全激光扫描仪划分减速区与停止区，急停回路按机械安全标准设计。
Rapyuta 的软件栈以经典机器人算法为主，定位依赖扫描匹配，规划依赖图搜索与优化，调度依赖规则与启发式。公开材料没有披露端到端学习模型、视觉基础模型或大规模预训练计划[未获取]。公司口径中的群控 AI 更接近多机调度优化，与单一模型覆盖多任务的预训练范式有区别[推测]。
可用的数据资产分三类：设备运行数据，包括里程、电量、故障码与版本分布；任务数据，包括订单结构、拣选路径、等待时间与完成率；现场地图数据，包括货架布局、通道宽度与作业点坐标。八十多个站点、一千台以上的装机量提供了跨仓库的样本，能支撑调度参数调优与故障预测[确认]。
数据的主要用途是运营与产品迭代，训练感知模型的比重有限。仓库视觉的标注需要逐站点采集与人工框选，成本高于消费级产品；客户对生产数据的出境与共享有约束，跨境训练需要额外授权[推测]。这限制了数据规模效应的形成。
PA-AMR 的硬件平台由激光雷达、3D 相机、工业计算机、伺服驱动、电池与钣金底盘组成。3D 相机在公开案例中为 Intel RealSense 系列[推测]，激光雷达与驱动器的供应商未披露[未获取]。整机在日本完成集成与测试，部分结构件与电子件依赖海外供应，物料成本高于中国同类产品[推测]。
ASRS 的结构件采用玻璃纤维增强塑料，模块化设计支持拆装与搬迁，现场施工不需要大规模土建[确认]。这类结构对设计精度与安装公差要求高，生产集中在少数供应商，运输体积大，服务范围受物流成本约束。无人叉车的门架、液压与驱动系统通常由叉车厂商提供，Rapyuta 负责导航与调度层[推测]。
制造规模与公司体量匹配。二百七十人的团队覆盖研发、现场实施与销售，整机组装以外协为主，自有产线未见披露[未获取]。低产量带来的采购议价有限，单一供应商的断供风险需要通过安全库存消化。认证方面，日本市场的安规与无线电合规是准入条件，出口美国还需要 UL 与 FCC[推测]。
rapyuta.io 的接口分三层。设备层提供远程 Shell、日志抓取、文件传输与容器管理；应用层提供部署 API、配置 API 与任务 API；数据层提供遥测查询与报表导出[确认]。客户可以用平台管理自有机器人，也可以把第三方设备接入做统一监控，硬件无关是产品的核心主张[确认]。
与仓储系统的对接通过 WMS/WCS 接口完成。订单、库存、货位与波次数据从上游系统进入，任务状态与完成回执返回；输送线、电子标签、自动门通过 PLC 或 HTTP 接口衔接。美国市场借助 SVT Robotics 等集成中间件厂商完成协议转换，降低与本地 WMS 的适配成本[确认]。
生态的短板在开发者规模。rapyuta.io 的用户以集成商与物流企业为主，公开的第三方应用市场、SDK 社区与教程数量有限[未获取]。开源侧的 Open-RMF 提供了多厂商机器人编队的开放方案，云厂商提供通用物联网平台，两者都在挤压专用云机器人平台的生存空间[推测]。平台的差异化需要靠现场服务与行业模板维持。
流程能力成立。日本仓库的现场条件复杂，通道窄、地面不平、作业习惯固定，供应商需要完成勘测、建图、安全评估、作业培训与验收，一套流程跑通后才能复制到下一个站点[推测]。公司在这一流程上积累了大量项目记录，2025 年度日本搬运与 AMR 细分销售额份额为 55.6%，数据来自厂商引用的委托调查[确认]，这一数字与八十多个站点的装机记录可以相互参照，统计口径仍由委托方选择。
转换成本成立。WMS 的波次逻辑、输送线的节拍、货位编码与机器人任务绑定后，替换供应商需要重新做接口联调与现场验证，停机成本由客户承担；ASRS 的钢结构与货架布局绑定，搬迁或更换品牌的工程量更大[推测]。
规模经济偏弱。一千台级的装机量不足以在激光雷达、伺服与结构件上形成采购优势，项目制交付又让每单的工程投入难以摊薄[推测]。
网络经济不成立。站点之间没有直接的数据或交易收益，装机量增长不改善单个站点的调度效果，平台也没有形成跨客户的交易市场[推测]。
品牌部分成立。Rapyuta 在日本物流圈有认知度[推测]，海外市场仍处早期，美国 2024 年才上市[确认]。
独占资源部分成立。公司是 ALICA 的维护者与主要贡献者，持有多机规划与控制相关专利，相关研发获得东京都项目补贴[确认]；这些资产支撑工程能力，专利本身没有形成排他。
反定位不成立。Rapyuta 与中国厂商、日系集成商争夺同一批仓储自动化预算，交付模式没有让对手难以模仿的错位结构；它的相对优势在本地服务速度与软硬一体的现场实施。
第一条可证伪条件落在份额的可持续性上。观察窗口 24 个月，指标是日本第三方物流站点的中标方、Rapyuta 的新增站点数与报价差值；若 Geek+、海柔创新或大福在三个以上站点以更短部署周期中标，且新增站点数连续两年下降，流程能力只在早期项目稀缺时有效，结论应改为"区域集成商，份额回落"。
第二条关于第二增长曲线。观察窗口到 2028 年底，指标是 ASRS 的签约或交付站点数、无人叉车的独立收入口径；若 ASRS 站点数未翻倍，或无人叉车仍未形成独立收入，软硬一体的复制路径失败，结论应改为"单一 PA-AMR 供应商"。
第三条关于平台中立性。观察窗口 18 个月，指标是 rapyuta.io 接入的第三方机器人数量与平台收入占比；若第三方设备接入量低于自有装机量的一成，收入仍依赖自有本体，硬件无关的主张缺乏商业验证，结论应改为"平台折算为自用工具"。
官方 2026 年 10 月口径：PA-AMR 累计出货 1,000 台、进入 80 多个站点；2025 年度日本"AI×服务机器人"搬运/AMR 细分销售额份额 55.6%，数据来自 Deloitte Tohmatsu MIC 研究所。[确认] 标杆客户包括花王（65 台，含重量检品功能，2025 年冬投运）、Honda LogiCom（20 台）、国分集团多站点、日本出版贩卖、IKO、Orion Machinery、Sysmex RA 等。[确认] ASRS 2023 年上市，截至 2026 年 9 月已有 30 多个站点签约或交付、10 多个站点运行中。[确认-第三方] 美国市场 2024 年 7 月上市，在绍姆堡设演示中心，并与 SVT Robotics、Bar Code Integrators 等集成商合作。[确认]
日本拣选与仓储自动化对手包括 Geek+、海柔创新、AutoStore、Exotec、Locus Robotics、6 River Systems，以及大福、村田机械等本土集成商；ASRS 侧还要面对 AutoStore、Modula、Kardex。[推测] Rapyuta 的相对优势是自研本体加云平台加本地服务，交付速度与价格优于传统日系集成商；劣势是品牌与全球服务网络弱于中国厂商和日本大厂。[推测]
风险：硬件项目制收入占比高，毛利与现金流承压；累计融资逾 8,000 万美元，盈利状况未披露；收入高度集中于日本，美国拓展仍处早期；55.6% 份额来自厂商公开引用的委托调查，统计口径需谨慎。[推测] 结论：日本仓储自动化中少有的"软硬一体+云平台"标的，PA-AMR 已形成规模装机与渠道，ASRS 与无人叉车能否复制同一路径，是第二增长曲线的关键。[推测]
Philosophy sword
融合主轴尚未定义。这里将放：一句话定性、三线状态、三项判定与反证条件。
预留位 · 不参与当前分析