人能轻松转角追人，机器人却不行？答案在这里

  设想这样一个场景：你在追一个刚刚转过街角的人。视线被建筑物挡住了，你看不见他。但你的大脑并不会因此陷入茫然，你听到了脚步声的方向，你记得他刚才的速度，你对街道的格局有直觉性的判断。于是你判断出他可能在哪个方向，加快步伐转过拐角。

  这个看似平常的瞬间，其实完成了一次极其复杂的“多感官融合推理”：视觉、听觉、空间记忆，被大脑整合成一个连贯的行动判断。

  然而，机器人一旦面对类似场景，却往往陷入失灵，它的每个传感器各自运转，但它不知道该如何把它们整合起来。

  单一感官的局限

  再精良的传感器，单独使用时都有盲区。

  视觉摄像头能看清正前方，却看不到身后；激光雷达能精准测距，却无法识别物体的语义（那是一只猫，还是一个纸箱？）；麦克风能捕捉声音，却无法判断声源的精确空间位置。

  就如同蒙住一只眼睛判断距离，或者捂住耳朵辨别方向，单独依赖任何一种感知，都会造成严重的信息缺失。

  多模态融合感知（Multimodal Fusion Perception）正是为了解决这个问题而生的技术方向：将来自不同传感器、不同频段、不同时序的信息进行整合与协同处理，通过信息互补，提升智能系统对复杂环境的整体理解、推理和决策能力。

  第一类融合：时空几何融合——搞清楚“我在哪里”

  机器人要行动，面临的第一个关键问题是空间定位：机器人在哪里？周围有什么？彼此之间的空间关系如何？

  解决这类问题的，是几何－空间状态融合技术。其核心目标，是将多视角的传感器信息融合进统一的三维几何空间，构建出带有实时三维坐标的“语义体素地图”。

  BEV（鸟瞰视角）感知以及在此基础上演进的Occupancy Grid（占用网络），是其中最具代表性的方案。它将来自多种传感器，包括摄像头、激光雷达、毫米波雷达等异构数据，统一投影到一个从上向下俯瞰的坐标系中。这种自上而下的视角，消除了各个传感器特有的视角畸变与盲区，使系统能够准确感知和理解物体间的空间关系，大幅降低多视角数据融合的复杂度。

  无人驾驶汽车是这项技术最成熟的应用场景。车辆四周布置的摄像头和雷达，将数据汇入BEV坐标系，让自动驾驶系统能够一目了然地“看到”周围车辆、行人和障碍物的精确位置，而不是碎片化地拼凑来自不同方向的传感器数据。

多模态融合的“全景视角”

  第二类融合：语义-视觉表征融合——搞清楚“这是什么”

  空间定位解决了“在哪里”的问题，但还远远不够，机器人还需要理解它感知到的东西究竟是什么，以及它背后意味着什么。

  这是语义－视觉表征融合技术要解决的问题。

  传统的图像识别算法，通常只能做分类：这是苹果，那是香蕉。但一张真实场景的图像包含的信息远不止于此，物体的状态、位置关系、动作含义，都需要被理解。

  语义－视觉表征融合，将图像、视频等视觉信息与文本标签、知识图谱等语义信息转化为统一的数学特征向量空间，使计算机既能“看懂”图像，又能“理解”其背后的逻辑与概念。

  视觉语言大模型（VLM）是这一技术的集中体现。它能够同时处理图像和文本，根据图像生成描述性文字，回答关于图像内容的问题，乃至根据文字描述生成图像。

  具体到机器人应用：当机器人看到一个装满热水的玻璃杯时，VLM不仅能识别出“玻璃杯”，还能理解“杯子放在桌子上”“里面有液体、容易打翻、需要轻拿轻放”“冒着热气可能比较烫”。这种语义层面的理解，是机器人能够安全、得体地执行操作的前提。

  第三类融合：主动交互式感知——主动出击，预判未来

  前两类融合，多少带有“被动接收”的性质——等待信息输入，然后处理。但人类在真实世界中的感知，往往是主动的：我们会主动转头寻找声音来源，会主动靠近看不清的东西，会根据已知情况预判接下来可能发生什么。

  主动交互式感知融合，正是赋予机器人这种“主动感知、动态预判”能力的技术。它要解决的核心问题是：如何更主动、更高效地获取动态环境中的信息。

主动交互式感知

  这类系统要求智能体具备主动视觉感知与推理能力：能够理解场景中的三维物理关系，预测复杂任务的执行路径，甚至在主动探索中更新对环境的认知。

  一个典型应用，是机器人的自主目标搜索：机器人需要在未知环境中找到某个物体，不是漫无目的地乱转，而是基于实时环境反馈动态调整搜索策略——看到了书桌，判断书可能在这附近；没找到，转而搜索下一个高概率区域。这种“感知－预判－行动－再感知”的动态实时闭环，是主动感知融合的核心机制。

  三类融合，织就智能的感知网

  这三类多模态融合感知技术，分别对应了不同层次的认知需求：

  几何－空间融合（物理层）：我在哪，周围有什么，彼此的空间关系如何？

  语义－视觉融合（认知层）：这是什么，意味着什么，该如何处理？

  主动交互融合（行为层）：下一步该看向哪里，预判什么，主动做什么？

  就像追拐角的那个人：你用耳朵（听觉）判断声音方位（空间融合），用常识分析那个人还在奔跑，不可能凭空消失（语义融合），用经验预判他下一步可能往哪个方向跑（主动预判）。这三者缺一不可，共同构成了人类瞬间完成的综合感知推理。

  具身智能机器人正在习得同样的能力。这条路尚未走完，但方向已然清晰。

  本文系浙江大学教授、博士生导师、浙江大学具身智能感知与控制实验室（ZEAL Lab）负责人、中国仪器仪表学会科普专家、浙江省仪器仪表学会监事长侯迪波在“智感世界·仪创未来”系列科普直播之从感知到控制：读懂具身智能新科技的主题分享，光明网记者肖春芳整理