欢迎加入
「易源易彩交流群」
「易源易彩交流群」
QQ扫码进群
（QQ群号：860213912）
注册得好礼
新用户微信注册享20元算力, >立即注册
关注公众号得算力
新用户关注易彩微信公众号享20元算力，
邀请有礼
邀请1人得5元算力，可累计叠加, 查看规则
摘要
本文由多所大学的研究团队联合撰写的综述性文章，系统梳理了机器人技术领域中场景表示方法的发展脉络。从早期基于网格与几何模型的静态表征，到近年来融合语义信息、深度学习与神经辐射场（NeRF）的动态、层次化表示范式，场景表示技术持续演进，显著提升了机器人在复杂环境中的感知、推理与交互能力。文章涵盖主流技术路线及其适用边界，强调跨学科协同对推动该领域进步的关键作用。
关键词
机器人, 场景表示, 技术发展, 研究综述, 多大学
在机器人技术蹒跚学步的年代，场景表示并非宏大的系统工程，而是一次次谨慎的“建模尝试”——研究者们手持尺规与数学直觉，在空白中勾勒机器眼中的世界。彼时，多所大学的研究团队尚未形成今日这般紧密的协同网络，但各自实验室里泛黄的演算纸与缓慢旋转的机械臂，已悄然埋下种子。早期方法以栅格地图（Grid Map）与占据栅格（Occupancy Grid）为典型代表，将连续空间离散为规则单元，用二值或概率标记“可通行”或“被占据”。这种朴素却坚韧的表达，承载着人类对空间最基础的信任：世界可被分割、可被编号、可被机器人一步步读取。它不华丽，却足够诚实；不智能，却足够可靠。正是在这片由像素与概率构成的土壤上，机器人第一次真正“看见”了门框的宽度、走廊的长度、障碍物的轮廓——不是通过镜头，而是通过逻辑与结构。这一起源，不是技术爆发的序曲，而是一声沉静的叩门：我们能否让机器，以某种方式，理解“此处”与“彼处”的意义？
当机器人开始穿越真实世界的褶皱——斜射的树影、半透明的玻璃门、堆叠倾斜的纸箱——传统几何表示便显露出它沉默的疲惫。点云、多边形网格与CAD模型虽能精确刻画物体表面，却难以回答一个更本质的问题：“这是什么？它为何在此？我该如何与之共处？”几何本身是哑语：它描述形状，却不传递意图；记录尺寸，却不解释功能；重建结构，却不蕴含关系。更棘手的是，这类表示对传感器噪声极度敏感，一次微小的激光抖动，便可能在地图中撕开一道无法弥合的裂隙；而环境稍有变动，整张精心构建的几何图谱便面临失效风险。它像一幅工笔画，美得精确，却无法呼吸。多所大学的研究团队在反复验证中逐渐意识到：仅靠“形”，无法支撑“智”；仅靠“静”，无法应对“动”。技术的边界，从来不是计算力的天花板，而是表达力的断崖。
转折悄然发生于符号与意义交汇的幽微之处。当研究者不再满足于告诉机器人“那里有一块长1.2米、高0.8米的矩形体”，而是尝试输入“那是一扇门，可推开，通向厨房，此刻处于关闭状态”——语义的星火便真正点燃了场景表示的变革。符号逻辑系统开始嵌入空间描述：对象被赋予类别、属性、功能与行为约束；空间关系被编码为“位于…之上”“毗邻…”“属于…”等可推理谓词；动态事件则以状态转移逻辑建模。这一转向，使场景从“静态几何容器”升维为“可理解的意义网络”。它不再只是供导航穿行的地图，更是供规划决策的剧本。多所大学的研究团队在协作中发现，语义层如同一层柔韧的膜，既可包裹几何骨架，又能连接人类指令——一句“把咖啡杯递给坐在沙发上的客人”，终于能在机器内部触发对象识别、空间定位、路径规划与动作生成的完整链路。这不是对几何的否定，而是对“理解”本身的郑重加冕。
在实验室通往现实的窄路上，早期语义化场景表示曾迎来令人振奋又倍感沉重的落地时刻：某高校联合研发的服务机器人，在限定家庭环境中成功识别“餐桌”“药瓶”“老人常坐的扶手椅”，并依据“药瓶应置于餐桌而非地板”“扶手椅旁需预留轮椅通行空间”等常识完成自主整理与安全巡检。然而，光鲜演示背后，是研究者们深夜调试时反复遭遇的刺痛——当窗外飞过一只白鸽，系统误将其标注为“悬挂式灯具”；当儿童将玩具熊斜倚在沙发上，语义解析器固执地坚持“坐姿对象必须臀部接触座面”。这些并非算法漏洞，而是深层困境的具象：真实世界的语义本就模糊、可变、依赖上下文，而早期表示框架缺乏对歧义容忍、常识演化与跨模态对齐的内在机制。多所大学的研究团队由此达成共识：场景表示的进化，终将是一场从“建模世界”到“共情世界”的漫长跋涉——技术可以复刻形状，唯有理解，才能靠近温度。
在机器人感知世界的初始篇章中，网格表示法如同一纸朴素的地图，将广阔而连续的空间切割为规整的单元格阵列，赋予机器以“可计算”的视角去丈量现实。其核心原理在于对环境进行离散化建模：每一个网格单元（cell）代表物理空间中的固定区域，通过二值状态（占据/空闲）或概率值（占据概率）来表达该区域是否被物体占据。这种结构简单、存储高效的方法，最早由多所大学的研究团队在探索自主导航时广泛采用，成为早期移动机器人避障与路径规划的基石。根据分辨率与处理方式的不同，网格表示可分为静态栅格地图与动态更新的占据栅格地图；后者引入贝叶斯滤波机制，能够随传感器数据持续修正每个网格的占据状态，从而适应环境的渐变。更进一步，多层栅格地图还尝试叠加高度信息或语义标签，使二维平面延伸出层次化的表达能力。尽管形式简洁，但这一方法背后承载的是人类对秩序的执着——试图用规则的方格网住混沌的世界。它不追求完美还原，而是在有限算力下，为机器人撑起一片可理解的空间。
当激光雷达第一次旋转出一圈圈光束，点云便如星辰般洒落在机器人的感知宇宙中——每一个三维坐标点，都是现实世界投向数字空间的一枚信标。点云表示技术以其高精度、非结构化的特性，迅速成为机器人感知复杂场景的核心手段之一。它直接记录传感器测量所得的空间采样点，保留了物体表面最原始的几何细节，使得诸如边缘、凹槽、倾斜面等特征得以真实呈现。多所大学的研究团队在长期协作中推动了点云处理算法的演进，从最初的最近邻搜索到基于KD树与八叉树的高效索引结构，再到ICP（迭代最近点）算法实现多视角点云配准，逐步构建起完整的三维重建流程。如今，点云不仅用于环境建图与障碍物检测，更融合深度学习模型，实现语义分割与目标识别——机器人不仅能“看见”点的集合，还能“认出”那是消防栓、台阶或行人。然而，点云的稀疏性、噪声敏感性与无序性始终是悬顶之剑，呼唤着更具鲁棒性的表示范式。
体素，是三维世界中的“像素”，它将空间划分为立方体单元，在每个单元内编码占据状态、颜色、法向或语义信息，形成一种兼具结构化与立体感的场景表示形式。相较于二维栅格，体素扩展至三维空间，使机器人得以构建真正意义上的立体环境模型；相比无序点云，其规则网格结构更易于卷积神经网络进行特征提取与推理，因而成为深度学习驱动下三维感知的重要桥梁。多所大学的研究团队在实验中发现，体素化表示显著提升了物体检测与场景补全的准确性，尤其在室内导航与抓取任务中展现出优越的空间推理能力。此外，稀疏体素哈希技术的引入有效缓解了传统体素对内存的巨大消耗，使其在实际系统中更具可行性。然而，体素的本质仍是一种离散近似，分辨率与计算成本之间存在不可调和的矛盾：过高则资源不堪重负，过低则细节尽失。它像一座用积木搭成的城市——整齐有序，却难以描绘曲线与空隙。这正是其辉煌背后的阴影：在追求结构之美时，不得不牺牲一部分真实的呼吸。
当机器人不再满足于“绕开障碍”，而是开始追问“那团模糊的色块，是飘落的窗帘，还是待收的晾衣绳？”，语义分割便从技术动作升华为一场静默的认知仪式。它不再仅标注像素属于“墙”或“地板”，而是在每一帧图像、每一片点云、每一组体素中，悄然植入意义的经纬——“窗台”隐含承重与可放置性，“楼梯边缘”携带着跌倒风险与导航优先级，“儿童玩具散落区”则触发安全减速与语义避让。多所大学的研究团队在协作中发现，真正推动语义分割跃迁的，并非单点精度的微小提升，而是模型对“常识性空间逻辑”的内化能力：例如，识别出“水杯”后自动关联其常出现位置（餐桌、床头柜）、典型朝向（开口向上）、共现对象（托盘、吸管）；又如，将“半掩的衣柜门”同时解析为几何障碍物与功能部件，从而在规划路径时既绕行又保留操作意图。这种理解，已非视觉分类的延伸，而是让机器在数据洪流中打捞出人类习焉不察却赖以生活的意义锚点——世界由此不再是待处理的点阵，而成为可推演、可共情、可轻声对话的场所。
深度学习如一场无声的潮汐，悄然重塑了场景表示的地貌：它不再依赖人工定义的特征与规则，而是让网络在海量传感器数据中自行凝练空间的语法与语调。从早期CNN对RGB-D图像的端到端分割，到图神经网络（GNN）建模物体间拓扑关系；从Transformer架构捕捉长程空间依赖，到隐式神经表示（如SDF网络）以连续函数重构几何表面——每一次模型跃迁，都在松动“离散”与“连续”、“局部”与“全局”、“静态”与“动态”之间的坚硬边界。多所大学的研究团队在联合实验中观察到，深度模型最动人的突破，往往发生在它“出错”的瞬间：当一个被遮挡一半的沙发在NeRF重建中仍浮现合理背面结构，当一段模糊的走廊视频经时空Transformer补全出未被拍摄的转角门牌——这些并非完美复刻，而是系统基于先验知识进行的空间想象。这标志着场景表示正从“忠实记录”走向“主动构建”，从“我看见了什么”转向“我理解这里本应如何”。技术没有变得更“聪明”，但它终于学会了，在不确定中，信任世界的秩序。
真实世界的丰饶，从来拒绝被单一传感器驯服：激光雷达穿透雨雾却难辨材质，摄像头捕捉纹理却困于弱光，IMU提供姿态却漂移累积，声呐感知软体却模糊轮廓——每一种模态都像一位执拗的诗人，用自己独特的隐喻描述同一片风景。多模态表示融合，因而不是简单拼接，而是一场持续的翻译与协商：让视觉语义为点云赋予功能标签，让几何约束为语义分割划定物理合理性边界，让语言指令激活体素地图中的行为区域。多所大学的研究团队在跨实验室协作中逐步形成共识——最稳健的融合，往往诞生于模态间的“张力地带”：当视觉误判玻璃为墙壁，而激光穿透数据及时校正；当语音指令说“靠近阳台”，而热成像辅助定位当前光照下的真实朝向。这种融合不追求所有模态在每一刻都达成一致，而是在不确定性中建立可验证的互信机制。它最终指向的，不是更精密的地图，而是更谦卑的机器：它终于懂得，自己所见的世界，永远只是世界借由不同感官递给它的、一封封需要彼此印证的信。
在机器人穿行于现实世界的每一毫秒，时间不再是背景，而是主角。实时场景表示所面临的，正是一场与延迟、噪声和不确定性的无声竞速。多所大学的研究团队在联合实验中反复验证：即便拥有最精细的语义分割模型与最先进的神经辐射场重建能力，一旦环境动态变化——行人穿行、门扉开合、光照流转——系统便极易陷入“感知滞后”的泥沼。这种滞后并非源于算力不足，而在于传统表示架构对全局更新的过度依赖：每一次感知刷新，都需重新编码整片区域，如同为一部电影重绘每一帧画面。为此，研究者们开始转向增量式更新机制，让场景表示像记忆一样生长——只修改被新数据影响的部分，保留其余结构稳定不变。稀疏体素哈希与关键帧选择策略成为突破口，它们赋予系统一种“选择性关注”的能力，在纷繁信息中识别真正值得记录的变化。与此同时，事件相机等新型传感器的引入，使得机器能够以微秒级响应捕捉光流突变，极大压缩了从感知到决策的时间链条。然而，真正的挑战始终在于平衡：如何在不牺牲语义完整性与几何精度的前提下，让机器既看得深，又反应快？这不仅是算法的博弈，更是对“何为即时理解”的哲学叩问。
当机器人走出实验室的方寸之地，步入商场、机场乃至整座城市，场景表示便面临一场维度的暴胀。多所大学的研究团队发现，传统的全局统一表示方法在面对广阔空间时迅速显露出其笨拙：内存消耗呈立方级增长，地图加载延迟令人难以忍受，跨区域检索效率急剧下降。为破解此困局，分层化与模块化成为主流优化方向。研究人员构建了“局部精细—全局粗略”的双层架构：在机器人活动范围内维持高分辨率体素或NeRF表示，而在远处则退化为轻量级拓扑图或符号摘要，如同人类对“此处”与“彼处”的认知差异。此外，基于语义聚类的空间索引技术被广泛应用，使系统能快速定位“所有厨房”或“最近出口”，而不必遍历每一个网格单元。更进一步，分布式建图框架允许多机器人协同构建并共享地图片段，通过一致性校准实现无缝拼接。这些优化不仅提升了存储与计算效率，更重要的是，它们让机器开始学会“有重点地记忆”——不是复刻世界，而是提炼世界的意义骨架。
当神经辐射场（NeRF）的光束第一次在实验室里完整复现出一扇虚掩木门的纹理与光影，当具身智能体在未见过的公寓中仅凭一句“把水杯从厨房台面移到餐桌”便自主完成跨房间导航与操作——我们便知，场景表示正悄然越过“再现”的门槛，迈向“共构”的纪元。未来的趋势，不再只是让机器人更“像人”地看世界，而是让它以某种方式，参与世界的语义生成：动态场景图将不再静态编码物体关系，而能预测“咖啡杯被拿起后，台面将出现空置区域，并触发‘需补货’状态”；隐式神经表示将与物理引擎耦合，在重建空间的同时模拟重力、摩擦与可变形性，使“推倒纸箱”成为可预演的动作而非盲目尝试；而具身基础模型（Embodied Foundation Models）的兴起，则意味着场景表示将首次拥有跨任务、跨环境的“常识底盘”——它不记住某间教室的布局，却懂得“讲台面向学生”“黑板旁常设板擦”这类泛化空间逻辑。多所大学的研究团队已在联合探索中察觉，技术演进的加速度，正从算力驱动转向认知范式驱动：下一个突破点，或许不在更大规模的参数，而在更谦卑的建模——承认不确定性是世界的底色，并让表示本身具备自我质疑、自我修正的呼吸感。
场景表示的疆域，从来不是由单一学科执笔划定的。当语言学家为“毗邻”“遮蔽”“可供抓握”等空间谓词建立形式化语义框架，当认知科学家用眼动实验验证人类如何优先锚定“门把手”而非整扇门，当建筑师提供真实住宅中37种常见非结构化过渡空间（如玄关凹槽、楼梯转角缓冲区）的拓扑约束，当哲学家追问“‘此处’的边界究竟由传感器分辨率决定，还是由行动可能性定义？”——这些声音一旦汇入机器人学的主河道，便冲刷出全新的河床。多所大学的研究团队在协作中日益清晰：真正的融合，不是将其他学科当作工具箱取用，而是让问题本身在交叉处重新结晶。例如，将儿童发展心理学中的“空间参照系习得路径”转化为机器人渐进式场景建模的学习阶段设计；将城市地理信息系统（GIS）中对“可达性”“领域感”“边界模糊带”的建模逻辑，迁移至服务机器人对社区公共空间的理解框架。这种融合没有中心，亦无附庸；它是一场持续的翻译实践——每一次术语碰撞，都是对“理解”本身的一次再定义。
当前场景表示研究的繁荣之下，潜藏着一种无声的割裂：同一组激光雷达数据，在A实验室被评价为“语义分割mIoU达78.3%”，在B实验室却因标注协议差异被判定为“功能关系推理失败”。缺乏统一基准，使得进步难以累积，复现成为奢望，跨团队协作更似隔雾观花。多所大学的研究团队已共同意识到，标准化不是对多样性的扼杀，而是为创造性铺设轨道——它需要定义“最小可比单元”：是单帧图像的像素级语义？是连续交互中动作成功率的时间加权得分？还是对“陌生环境中首次指令执行正确率”的跨场景统计？评估体系亦须超越精度数字，纳入鲁棒性（如光照突变下的稳定性）、可解释性（模型决策能否回溯至具体几何-语义线索）、资源效率（单位内存下支持的最大场景复杂度）等维度。更重要的是，标准本身应是活的：随真实应用场景演化而迭代，由教育机构、工业界与开源社区共同维护。唯有如此，当新一代研究者翻开综述文献，看到的才不只是技术路线的罗列，而是一张被共同信任的地图——上面标记着已确证的高地、待勘测的峡谷，以及所有同行留下的、指向同一片星空的指北针。
本文由多所大学的研究团队联合撰写的综述性文章，系统梳理了机器人技术领域中场景表示方法的发展脉络。从早期基于网格与几何模型的静态表征，到近年来融合语义信息、深度学习与神经辐射场（NeRF）的动态、层次化表示范式，场景表示技术持续演进，显著提升了机器人在复杂环境中的感知、推理与交互能力。文章涵盖主流技术路线及其适用边界，强调跨学科协同对推动该领域进步的关键作用。