如何让机器人像人类一样理解三维世界？上海交大等机构的最新综述全面梳理了场景表示技术，从经典的点云、体素到前沿的神经辐射场和基础模型。本文不仅对比了各类方法的优劣，还深入探讨了它们在机器人感知、建图、导航等任务中的应用，为研究者和爱好者揭示了实现通用具身智能的关键路径与未来挑战。
智能速览
传统点云与体素是当前SLAM系统的主流稀疏表示。
神经辐射场与3D高斯泼溅技术能实现高密度、高真实感的环境重建。
3D基础模型旨在将三维世界压缩为可推理的语言token。
机器人领域面临数据匮乏、模型实时性差等关键发展瓶颈。
精华内容
机器人对环境的理解深度，直接决定了其智能水平上限。从几何精确的坐标到蕴含语义的模型，不同表示方法各有侧重，共同塑造着机器人的感知与交互能力。
几何基石
机器人场景表示的传统方法建立在几何学之上。点云通过离散的三维点集快速获取环境结构，是雷达和相机传感器的直接输出，在SLAM与定位系统中应用广泛。体素则将空间划分为规则的立方体栅格，通过存储占用率或密度等信息来构建地图，便于进行空间查询和碰撞检测。
此外，网格通过三角面片构建连续的物体表面，模型精细度更高，适合用于可视化。符号距离场（SDF）则存储空间点到最近表面的距离，实现了连续的几何表示，在路径规划和机器人操作中具有优势。这些传统方法计算效率高，但通常为稀疏表示，难以承载丰富的语义信息。
神经浪潮
深度学习带来了神经场景表示的浪潮。神经辐射场（NeRF）利用多层感知机（MLP）构建隐式连续函数，能够生成高质量的新视角图像，实现高度逼真的场景重建与地图预测。但其渲染速度慢，限制了在实时任务中的应用。
作为补充，3D高斯泼溅（3DGS）技术将场景表示为数百万个三维高斯椭球，通过优化每个椭球的属性实现了极高的渲染速度，达到了实时交互级别，非常适合需要快速建图的机器人导航与避障任务。这类神经表示方法擅长融合高层次语义信息，为机器人提供更全面的环境理解。
智能跃迁
未来的方向指向了基础模型。这类方法借鉴大型语言模型的成功，尝试使用Transformer等编码器将三维世界压缩为一系列可推理的token。这使得对三维场景的理解可以像处理自然语言一样，通过语言指令进行交互和推理。
通过这种方式，机器人不仅能“看见”世界，更能“理解”世界，实现零样本的物体抓取和复杂任务规划。将空间感知与语言先验知识结合，被认为是通往通用具身智能的关键一步，目标是打造一个“3D版本的GPT”。
未来挑战
尽管前景广阔，但该领域仍面临三大核心挑战。首先是架构之争，即在模块化智能与端到端通用网络之间做出选择，后者泛化能力更强但实现难度更大。
其次是数据瓶颈，与训练大模型所用的互联网海量图文数据相比，高质量的机器人交互数据极度稀缺。最后是实时性瓶颈，神经模型的复杂推理过程难以满足机器人应用的实时性要求，这需要依赖模型蒸馏、量化以及硬件-算法协同设计等技术来突破。
从精确的几何坐标到智能的语义推理，机器人3D场景表示技术正经历深刻变革。这篇综述不仅为现有技术提供了清晰的图谱，也为未来的研究指明了方向。随着数据、算力与算法的突破，一个真正理解和物理世界交互的通用具身智能时代，或许比想象中更近。
