卷七 · 3D 感知 / SLAM / VLN / 零样本 ObjectNav / Embodied VLM · 高频面试题

答：点云的根本性质是无序集合——同一个物体的 $N$ 个点排列方式有 $N!$ 种，网络对任意置换必须输出同一个特征。PointNet（Qi 等 CVPR 2017）的解决方案：

1. 共享 MLP：每个点独立过同一个 MLP 升维，逐点变换不会引入顺序依赖
2. 对称聚合函数：用 max-pooling 把 $N$ 个点的特征聚合成全局特征——max 是对称函数，对置换天然不变
3. T-Net：轻量 STN-like 子网络估计 $3\times3$ / $64\times64$ 变换矩阵，对齐输入和特征

为什么开山：之前主流是把点云体素化（voxelization）后用 3D CNN，分辨率受限于内存；PointNet 直接吃点、参数少（约 3.5 M），ModelNet40 准确率 89.2%。

易错：max-pooling 对离群点敏感——异常远的一两个点会主导全局特征；PointNet++ 用层次化 FPS + grouping 缓解。"置换不变"和"旋转不变"是两回事，T-Net 只对仿射变换部分对齐，不能完全解决旋转不变。

答：PointNet 的核心缺陷是没有局部结构——只有 per-point MLP + 全局 max-pool，丢掉"哪些点是邻居"的几何信息，复杂场景（语义分割、室内检测）效果差。PointNet++（NeurIPS 2017）三步改造：

1. FPS（Farthest Point Sampling）：从 N 个点采 M 个中心点，比随机均匀
2. Grouping：以每中心点 ball-query 半径 r 内邻居形成局部簇
3. 局部 PointNet：每簇上小 PointNet 提特征 → 再 FPS+Group → 层次化

密度自适应：MSG（multi-scale）多尺度并联；MRG（multi-resolution）多层级拼接——稀疏区粗特征兜底。

易错：ball-query 半径是超参数，调不对漏邻居或纳入太多噪声；近年 PointMLP / Point Transformer 都用 KNN 省掉此超参。ModelNet40 ↑1.3pt 不大，真正提升在 ScanNet：PointNet 53% mIoU → PointNet++ 64%。

答：

为什么 PN++ 还在：① 代码极轻；② 工业部署友好（无 attention）；③ "Revisiting PointNet++"（BAAI 2022）显示改训练策略 + 大模型 PN++ 也能逼近 SOTA。

易错：sparse convolution（Minkowski / SPVNAS）是另一条线——对大规模室外场景（自驾 LiDAR）显著有优势；室内点数 < 100k，点级方法仍主流。

答：

• Relative depth：只输出相对深度（哪个点更远），整体可以差一个未知缩放和偏移因子。训练时用"尺度无关" loss（如 SSI-MAE）；可在跨数据集预训练得到强泛化
• Metric depth：输出绝对深度（米为单位），必须有相机内参、训练数据有真值标定。跨域泛化差，相机 FoV / 焦距变了就崩

什么时候必须用 metric：

• 导航 / 避障：要知道"墙在 1.2 m 外"才能给出速度命令
• 建图 / SLAM 融合：把单目深度灌进占用栅格必须米单位
• 抓取：末端位置需要绝对距离

什么时候 relative 够用：纯视觉显著性、portrait 模式背景虚化、单图深度可视化。

易错：MiDaS 是 relative，直接拿来做导航必崩；ZoeDepth / Metric3D / Depth Anything v2（metric 微调版）是 metric。Depth Anything v1 默认是 relative，需要在 NYU / KITTI 上 metric 微调才能给绝对深度。

答：

选择：室内导航 / 抓取 → DA v2 metric 或 Metric3D v2；室外远距 → ZoeDepth (KITTI) 或 Metric3D v2；只要相对结构 → DA v2 relative 默认版。

易错：DA v2 默认输出是 disparity（视差），需 $1/d$ 反演才是深度；KB/KITTI 模式直接输出米。ViT-L 单帧 CUDA / TensorRT 约 30-80 ms，端到端实时需要 ViT-S。

答：两类思想不同：

BEV vs 体素：BEV 省内存规划友好但忽略高度（桌下椅腿、低矮障碍物会丢）；Voxel 保 z 维能表达悬空 / 透空 / 多层，但内存 $O(LWH)$ 分辨率受限。

实务：自驾 2023 后从纯 BEV 转向 occupancy（Tesla AI Day 2022 推动）；室内移动机器人仍以 2D grid 为主。

易错：occupancy network 是端到端学习输出，与 grid map 的 Bayesian filter 累积是两种范式；别说成"grid map 的 3D 版"。

答：

为什么 3DGS 在机器人圈走红：实时渲染 100+ FPS（closed-loop 控制 / VR teleop 可行）；可编辑（物体级增删移动）；显式几何（高斯中心可直接当点云用，GaussianGrasper / SplatSim 下游友好）。

易错：3DGS 训练快主要是前向便宜；反光 / 透明 / 大尺度室外仍劣于最强 NeRF（Zip-NeRF）。"SLAM 后端拿稀疏 GS 当地图"这条路还在演进，没有定论。

答：F3RM（Shen 等 CoRL 2023）思路：

1. 用 DINO + CLIP 对每帧图像抽 patch 级特征
2. NeRF 学一个额外的特征通道 $f(x)$：把多视角特征"提升"到 3D 空间
3. 推理时给文本 query（如"红色杯子"），用 CLIP 文本编码器算 cosine similarity 选最相关 3D 区域
4. 用经典 Anti-Podal grasp planner 在该区域生成抓取候选

为什么 view 少是大问题：原版 NeRF 需要 ~30 个视角才能 converge；操作任务里相机机位往往只能从机械臂第三视角扫几个角度（5-10 view），稀疏视角下 NeRF 会出现"漂浮云""空洞"伪影。F3RM 用 50 view 已经算比较奢侈。

易错：F3RM 蒸馏的是 patch 级特征，不是 pixel 级——细节上的对象边界仍模糊；后续 GaussianGrasper / LERF-TOGO 都改进了这一点。F3RM 不是 zero-shot，每个新场景仍需要重训 NeRF（虽然 patch encoder 是预训练的）。

答：GaussianGrasper（Zheng 等 IEEE RA-L 2024，arXiv 2403.09637）三大改进：

1. 3DGS 代替 NeRF：训练 30 min → < 10 min；推理 100+ FPS vs F3RM 1-2 FPS
2. 少视角友好：原文用 ~10 view RGB-D 就能重建（F3RM 需 50 view）
3. EFD 蒸馏 + 对比学习：把 SAM 分割 + CLIP 特征在 GS 上做对比学习蒸馏，特征更精确

open-vocabulary grasping 流程：

• 文本 query → CLIP 编码 → 与每个高斯的特征 cos similarity → 阈值得 mask → 该 mask 区域作为抓取候选 region → 经典 GraspNet 或 AnyGrasp 在该 region 生成 6-DoF 抓取

易错：GaussianGrasper 仍每场景重训，不是 zero-shot 部署。其优势更多在"特征蒸馏 + GS 几何联合"，而不仅是"换了 GS 就快"。真正实时 zero-shot grasping 还得靠 RGB-D 端到端模型（如 AnyGrasp）。

答：三环节延迟来源不同：

< 30 Hz 难点：

• NeRF：渲染就难——Instant-NGP / NeRFAcc 加速到 30+ FPS（中分辨率），但训练仍 5-10 min
• 3DGS：渲染稳定 100+ FPS；训练是真正瓶颈（10+ min/场景，不能在线建图）
• 编辑：NeRF 几乎无法在线编辑；3DGS 可逐高斯增删，但保持自洽（光照、阴影）仍困难

实务：机器人圈"地图建好后查询"做到了实时，"在线建图同时控制"仍是 2025-2026 开放问题。Gaussian-SLAM（SplaTAM / MonoGS）能 10-30 FPS 在线建图，但精度鲁棒性显著低于 ORB-SLAM3。

破例说明：频次 2 但来自具身/SLAM 圈"实时性瓶颈"高频开放题，来源多 work（Instant-NGP / SplaTAM）权威。

答：

收益：

• 显式 3D 几何：策略不需要从 RGB-D 隐式重建空间，几何先验更强 → 样本效率 +
• 跨视角一致：相机视角变了 GS 表征不变，视角泛化 +
• 多模态融合：可灌 CLIP/SAM 特征到高斯上，语义一致性 +

代价：

• 训练管线复杂：每个新场景要先建 GS（10+ min），不能像 BC 那样直接吃 RGB
• GS 可微渲染但策略联合优化难：GS 渲染本身是可微的，但 densification / pruning / 在线 map 更新与策略联合优化困难，多数工作把 GS 当固定输入
• 泛化到新场景：依赖 GS 重建质量，未见物体 / 遮挡仍易崩
• 算力：高斯数 100k-1M 量级，单帧策略推理慢于纯 vision encoder

实务：2025 端到端 GS-policy 仍是研究阶段，没有像 Diffusion Policy 那样可即插即用的工业方案；主流仍是"GS 当 perception 输入"+"DP / ACT 当 policy"分离架构。

易错：不要把"GS-based policy"等同于"GS 重建后查询"——前者是联合学习，后者是两阶段；只有联合学习才有"端到端"含义。

答：两者都是经典 VIO / V-SLAM，路线不同：

工程选择：室内相机不快 → ORB-SLAM3（精度高、回环鲁棒、长期建图）；快速运动 / 弱纹理 / 无人机 → VINS-Fusion（光流动态下更稳，IMU 紧耦合更激进）；嵌入式 → VINS-Fusion 略轻，ORB3 全套 1-2 GB RAM。

易错：两者都用 GPLv3 copyleft 协议——开源但商用闭源产品要谨慎（衍生必须同 GPL）；商用闭源首选 OpenVINS / Kimera / Maplab 等 BSD/MIT 系。

答：

VIO 优势：

• 绝对尺度：单目纯视觉只能恢复相对尺度（5 倍小或大都对），IMU 给出加速度积分提供米单位真尺度
• 快速运动鲁棒：相机在快速旋转 / 模糊时跟踪失败，IMU 在毫秒级仍稳定
• 退化恢复：低纹理 / 黑屋子里相机失效时 IMU 可以"撑过"
• 频率高：IMU 100-1000 Hz，能给控制器更频繁的位姿

IMU 预积分（Forster 2017）：

• 问题：每次优化变量（位姿）更新，都要把窗口内全部 IMU 测量重新积分——计算爆炸
• 解决：用"相对量 $\Delta R, \Delta v, \Delta p$"代替绝对积分，把窗口的 IMU 测量预积分到一个与状态无关的常量。状态更新时只需对常量做一阶修正，不必重积分

易错：预积分是离散 SO(3) 流形上的积分，不能直接用欧氏空间公式；常用 Lie group exp/log 处理旋转。预积分仍受 IMU 零偏 / 噪声影响，零偏估计是 VIO 收敛关键。

答：

ORB-SLAM3 / VINS-Fusion 都用 BoW——工业稳定、可解释。机器学习时代学习型方法在跨季节 / 昼夜 / 视角变换上显著更鲁棒（VPR benchmark 上 NetVLAD recall@1 比 BoW 高 10-20pt）。

易错：回环检测和回环校正是两件事——检测告诉你"这里来过"，校正用 pose graph 优化把累积漂移摊平；BoW 只解决检测。学习型方法可与几何验证（如 RANSAC + PnP）级联，避免 false positive。

答：

因子图胜出根本原因：① 可重新线性化（EKF 卡死，因子图每次重算雅可比，对非线性/大旋转友好）；② 信息矩阵天然稀疏（Cholesky / iSAM 高效）；③ 多传感器融合干净（IMU/轮速/GPS/回环都"加一条因子"）。

易错：EKF 在算力极小场景仍在用（小型微控制器）。现代 SLAM "用因子图"通常是滑动窗口优化，保留最近 N 帧因子老的 marginalize，不是真正全局 BA。GTSAM 的 iSAM2 是增量因子图，复杂度接近 EKF 但精度逼近批 BA。

答：BA：以重投影误差为代价，联合优化关键帧位姿 $\{T_i\}$ 和路标点 $\{P_j\}$：

$$\min \sum_{i,j} \rho\left( \| u_{ij} - \pi(T_i, P_j) \|^2 \right)$$

求解器：Levenberg-Marquardt + Schur complement 利用稀疏性消除路标点。

滑动窗口 BA 控制规模：① 关键帧选择（旋转/平移阈值）；② 窗口大小（最近 10-20 关键帧 + 共视帧，老帧 marginalize）；③ 共视图 covisibility graph（local BA，全局 BA 仅回环触发）。

易错：滑动窗口边缘化老变量时信息矩阵 fill-in（变稠密），用 first-estimate Jacobian / iSAM2 保持稀疏。路标点数 >> 位姿数，BA 计算量主要被路标点 dominated，必须 Schur 消元。

答：

取舍核心：

• 只要"机器人在哪" → sparse 够用
• 要"机器人能不能撞墙 / 抓桌子" → dense（要稠密几何）
• 现代实践常分离：sparse SLAM 做实时定位，dense map 离线后处理或低频构建

易错：dense SLAM 不等于"更准"——稀疏 SLAM 的关键帧位姿精度通常更高（路标点少，BA 更稳）；dense 的优势是几何完整性。NeRF-SLAM / Gaussian-SLAM 是近 2 年的方向，工业可用度低于 ORB-SLAM3。

答：

选择：2D 平面 / 栅格 → A\（最常用）；机械臂 7-DoF → RRT-Connect / RRT\；移动机器人已知地图要最优 → A\；动态环境 → A\ 全局 + DWA/MPC 局部。

易错：A\ 启发函数必须可采纳（不高估真实代价）才保证最优——曼哈顿距离对 4-邻接可采纳，8-邻接要用欧氏。RRT 不能保证最优解（可能绕大圈），必须 RRT\ 的 rewire 才能逼近最优。

答：ROS1 move_base 是单体大节点，状态机硬编码在 C++ 里——痛点：故障恢复策略写死难定制；单节点宕机整栈崩；状态机不可视化不可热改。

Nav2 三大改造：① Behavior Tree：导航流程用 BT XML 描述，节点（ComputePathToPose / FollowPath / Recovery）可拖拽组合——故障恢复可写"先转 30 度再重规划"；② lifecycle 节点：每 server 独立 unconfigured → configured → activated 生命周期，单点故障可重启不影响整栈；③ 插件化：planner / controller / behavior / costmap layer 都 pluginlib 动态加载——可热插拔 A\* / NavFn / Smac / TEB / DWB。

易错：Nav2 不只"move_base 移植到 ROS2"——是架构重写。但学习曲线陡（BT + lifecycle + 插件），新手项目慎用，BT 调试难（状态多日志多）。

答：

接口：全局发 Path，局部订阅 path + odom + scan 输出 Twist。两者解耦可独立替换。

DWA vs TEB：DWA 速度空间采样 + 评分（路径偏离、目标距离、速度），快稳但只算下一步；TEB 轨迹建成弹性带 + 时间维度优化整段，能处理倒车 / 复杂动态约束，但慢。

易错：局部规划器不应重规划全局——会死锁。卡住时触发 Recovery Behavior（旋转 / 后退 / 清 costmap），不是叫起全局规划器。

答：栅格地图本质：每个 cell 维护占用概率 $p \in [0,1]$，0 空闲 / 1 占用 / 0.5 未知。

为什么用 log-odds：直接用 $p$ 更新数值不稳（接近 0/1 时溢出）；log-odds $l = \log \frac{p}{1-p}$ 无界，更新变加法 $l_t = l_{t-1} + l_\text{sensor}$。

典型实现：三个常量 $l_\text{free} = -0.4$、$l_\text{occ} = +0.85$、$l_0 = 0$；ray casting 从机器人到激光击中点，沿途 cell 减 $|l_\text{free}|$，击中点加 $l_\text{occ}$；加 clamp 防饱和。

三态查询：$p < 0.3$ free / $p > 0.7$ occupied / 否则 unknown。

易错：cell 独立假设其实不成立（邻居相关），但工程够用。激光 ray casting $O(L)$/ray，LiDAR 一帧 1000+ 线量大，gmapping / Cartographer 用 Bresenham 加速。

答：

实务组合：

• 长程 VLN / ObjectNav → 语义图（VLMaps）+ 度量底图（占用栅格）
• 多楼层导航 → 拓扑图（楼层节点）+ 每层度量图
• 局部避障 → 纯度量栅格

易错：语义地图不等于"在度量图上贴标签"——更现代的做法是特征场（VLMaps / ConceptFusion）：每个体素存 CLIP / SigLIP 特征向量，查询时用文本编码做 cos similarity，零样本支持任意类别。

答：

难度演进：动作级（R2R） → 目标级（REVERIE/SOON） → 多语长指令（RxR）。

易错：REVERIE 是"找物体 + 指认"，最后必须输出 bbox ID，是"指代消解 + 导航"联合任务，不要等同于 ObjectNav 的"接近物体"。

答：

离散 VLN（R2R 原版）：MP3D 每房间预定义有向图（节点 + 边），agent 在节点间跳跃。与真机脱节——真机要走米单位连续动作。

VLN-CE（Krantz ECCV 2020）：Habitat 里跑 R2R，agent 输出低层离散动作（前进 0.25 m / 转 15° / 停止——动作集是离散的，但状态空间连续）。搜索空间爆炸——每步十几动作连乘，长指令规划难。

waypoint predictor 折中：先预测"下一个可达候选点"集合（12 方向、0.5/1/2 m），选一个候选再用 PointNav controller 走过去。代表：CMA-Waypoint（Hong 2022）、ETPNav（An et al. TPAMI 2024）。

易错：VLN-CE 难度远高于离散 VLN——SOTA SR 从 70%+ 掉到 50% 上下；很多论文报"VLN 60% SR"不区分 VLN / VLN-CE 是面试雷点。NaVid / VLN-R1 都直接在 VLN-CE 上做评测。

答：VLN 模型架构三代演进：

1. VLN-BERT（Hong CVPR 2021）：BERT 套 VLN，文本-视觉 cross-attention，每步独立看 panorama，无显式历史——长指令易迷路
2. HAMT（Chen NeurIPS 2021）：引入历史 transformer，把过去 K 步 panorama + 动作编码成 history tokens 与当前一起 cross-attention；解决"看 panorama 不记得"
3. DUET（Chen CVPR 2022）：dual-scale 双尺度——粗尺度 topology graph（去过哪些节点）+ 细尺度局部 panorama（当前看到啥），两分支 cross-fuse

演进核心：无历史 → 时序历史 → 拓扑空间历史。R2R SR：VLN-BERT 63% → HAMT 66% → DUET 72%。

易错：DUET topology graph 在线构建——agent 走过自动加，不需要先验地图。HAMT history token 不是无限增长——窗口 K 是超参，过长 token 数太多。

答：NaVid（Zhang RSS 2024）核心思路：把 VLN-CE 当视频理解任务，用 LLaMA-VID 改造的 video-VLM 直接吃单目 RGB 视频流，输出下一步低层动作。

架构：输入 = 当前帧 + 过去 32 帧 RGB（不要 panorama）+ 文本指令；视觉编码每帧 EVA-CLIP 抽特征 → 时序压缩到 4 token/帧；LLaMA-7B LoRA 微调输出文本动作（"前进 0.25 m" / "右转 15°"）；训练 510k VLN trajectory。

为什么"无地图无深度"能 work：视频隐式编码空间几何（光流暗含深度）；LLM 常识助推（"看到楼梯就上楼"）；指令本身是高层语义，不需厘米级精度。

易错：NaVid 不是 zero-shot——仍需 510k trajectory SFT；相比 BERT 系是"VLM 替代任务专家网络"。SR 约 37% on R2R-CE val-unseen——仍低于专家方法（ETPNav 57%）但接近 SOTA。

答：Uni-NaVid（Zhang RSS 2025，arXiv 2412.06224）三大设计：

1. 统一任务模板：四类任务都改写为"指令 + 视频流 → 文本动作"——VLN（自然语言指令）/ ObjectNav（find a chair）/ EQA（Q: where is the bed?）/ Tracking（follow the person in red）
2. 3.6M 多任务联合训练：4 类任务轨迹混合微调
3. 在线 token merging：类似 ToMe 逐帧合并相似 token，把单帧 4 token 压到全程 < 100 token

token merging 作用：推理加速（单 A100 5 Hz）+ 长程记忆（100+ 帧不爆显存）+ 隐式去冗余（相似帧合并 = 自动 keyframe）。

易错：Uni-NaVid 是 NaVid 统一升级版——四个任务都跑赢专门 baseline 但通常不及最强专家。task synergy 中等收益（+2-5pt）不是"涌现"。

答：NaVILA（Lin RSS 2025，UC San Diego）针对腿足机器人 VLN——四足/人形不能"瞬移到 waypoint"，必须考虑步态、平衡、地形。

两级架构：High-level VLM 吃图像 + 指令输出 mid-level action（"右转 30°"/"前进 1 m"），1-2 Hz；Low-level RL locomotion 吃 mid-level + 本体状态输出关节力矩，50-100 Hz。

为什么分层必要：① 频率失配（VLM 1 Hz vs 控制 50+ Hz）单网难兼顾；② 语义 vs 动力学训练数据来源不同（VLM 互联网视频；locomotion sim2real RL），分别迭代不互相干扰。

对比 NaVid：NaVid 输出"前进 0.25 m"适合轮式；NaVILA 输出"前进 1 m"让 locomotion 自己规划步态，适合腿足。

易错：NaVILA low-level 仍是预训练 RL 策略（如 Walk These Ways），非端到端联合学习；两级解耦意味着 mid-level command 不合理（"穿墙"）底层不会反馈纠错。

答：

• SR（Success Rate）：最终停止时距目标 < 3 m（R2R 阈值）的轨迹占比。只关心是否到达
• SPL（Success weighted by Path Length）：$\text{SPL} = \text{SR} \cdot \frac{\ell^*}{\max(\ell^*, \ell_\text{agent})}$。惩罚绕路——agent 走的越远 SPL 越低
• nDTW（normalized Dynamic Time Warping）：把 agent 轨迹和参考轨迹做 DTW 对齐，归一化到 $[0, 1]$。衡量轨迹形状是否贴近参考——更适合 RxR 这种"按指令走"任务
• NE（Navigation Error）：终点距目标的距离，越小越好
• OSR（Oracle SR）：路径中任一点离目标 < 3 m 就算成功——衡量"看到过没"

SR 高 SPL 低意味着：到达目标但绕了一大圈——典型如随机探索 + 偶然撞上。reward 设计偏向 SR 时（如 IL）会出现此情况；reward 加入路径长度惩罚后 SPL 提升。

易错：R2R 的"成功"阈值 3 m 是任务约定，不是物理意义——agent 可能"看到了目标但没靠近"也算失败。SPL 是 SR 的严格上界（$\text{SPL} \le \text{SR}$），看到 SPL > SR 就是 bug。

答：

实务：学术 R2R 离散 benchmark → high-level；VLN-CE / 真机 → 多数论文用 waypoint predictor 折中（high-level 决策 + low-level 跟踪）；端到端 VLM（NaVid / VLN-R1）→ 直接 low-level，靠大模型容量克服短视。

易错：high-level action ≠ "真机可部署"——你仍需 PointNav 控制器把"去那个 waypoint"落到 cmd_vel。真正的 sim2real gap 在 PointNav，不在 VLN 上层决策。

答：VLN-R1（Qi 等 2025，arXiv 2506.17221）针对 SFT 核心问题：仅模仿专家无法处理 OOD——没见过的环境就崩。

RFT 改造：SFT 阶段在 VLN-Ego 数据集（HK 大 + 上海 AI Lab）模仿专家；RFT 阶段用 GRPO（DeepSeek-R1 同款）微调，reward = 成功 + SPL；关键 trick Time-Decayed Reward——离目标近的步奖励越大。

收益：R2R-CE val-unseen SR：SFT 41% → RFT 49%（+8pt）；OOD 长指令鲁棒性提升；sim→real gap 缩小。RFT 有效原因：SFT 教模仿，RFT 教达成目标，目标导向 reward 更鲁棒。

易错：VLN-R1 仍两阶段——纯 RL from scratch 在 VLN 上不收敛（探索太难），SFT 必须先做。RFT ≠ RLHF，前者是任务奖励，后者是偏好建模。

破例说明：频次 2 但来源权威（HK 大 + 上海 AI Lab arXiv 高引），代表 2025"RL 微调 VLM" 大方向，主表保留。

答：

SmartWay / Fast-SmartWay（2025）：前者用 panorama 简化 waypoint 预测 + MLLM；后者 panoramic-free——只 3 张前向 RGB-D 做端到端 MLLM 决策，速度 +50%，真机友好。

实务：学术 SOTA 仍 panorama 为主（信息全），工业趋势是单目 + 头部转动。NaVid / Fast-SmartWay 是后路线代表。

易错：单目 ≠ 无空间感——agent 可转身获等效信息，只是多几步。真正取舍在"训练时是否给 panorama"，给了再单目蒸馏比直接单目训练好。

答：

任务：给定一个类别名（如 chair / bed / tv），agent 从随机起点开始探索房屋，最终停在目标类物体附近视野内。

成功条件（Habitat ObjectNav Challenge 标准）：

• 停止时距任意目标类物体实例 < 1 m
• 目标类物体在 agent 视野内
• 不超过 500 步

指标：

• Success：满足上述三条件
• SPL：成功率 × 最短路径占比
• SoftSPL：放宽 SPL 阈值（部分成功）

数据集：

• HM3D-Sem（Yadav 2022，1000+ 真实扫描场景）：当前 Challenge 主数据集
• MP3D：90 场景，更老
• Gibson：早期室内数据集

易错：ObjectNav 的"目标"是类别而不是具体实例——房间里有 3 把椅子都行，只要走到任意一把视野内。这与 InstanceNav（找特定实例）和 ImageNav（找特定图像目标）不同。

答：SemExp（Chaplot NeurIPS 2020）三模块：① Semantic Map：Mask R-CNN 检测 RGB-D 投到 2D BEV（每类一通道）；② Goal-Oriented Semantic Policy：在 semantic map 上用 RL（PPO）学选 long-term goal（哪个 frontier）；③ Local Policy：Fast Marching 走到 goal。

为什么 work：模块化（感知/探索/规划解耦）、类别先验（"chair 在客厅"等共现学到）、长期记忆（map 累积避免重搜）。

Habitat 2020 Challenge 冠军——SR 17.85%（当时 SOTA）；后续 PIRLNav 等在其上加 RL fine-tune。

易错：SemExp 不是 zero-shot——Mask R-CNN 闭集，新类别（不在 COCO 80）不行；VLFM / OpenFMNav 才是"open-set 升级"。SemExp 强在 closed-set + 数据驱动，给足训练数据仍有竞争力。

答：ZSON（Majumdar NeurIPS 2022）核心：zero-shot 来自 CLIP 跨模态对齐。

做法：

1. 预训练：在 ImageNav（给目标图像导航到拍照地）训 RL agent，目标用 CLIP image encoder 编码
2. 零样本部署到 ObjectNav：把目标类别名走 CLIP text encoder，text embedding 直接替代 image embedding 喂给 agent
3. CLIP 图文对齐保证两者空间相近，agent 不微调可用

巧妙之处：避开了 ObjectNav 数据少的问题——ImageNav 合成便宜（任意场景任意位置都能合成图像目标），训了 100M+ 帧。

结果：HM3D ObjectNav zero-shot SR 25.5%（原文）；与 CoW 等不同 setting 数字不可直比，但 ZSON 是首个 image-goal 预训练 + CLIP 跨模态做到 SOTA 的方法。

易错：ZSON 的"zero-shot"指对 ObjectNav——其 ImageNav 训练仍是大规模监督，不是完全无监督。CLIP 对齐精度也限制 ZSON 上限。

答：L3MVN（Yu IROS 2023）思路：用 LLM 作 frontier 选择的语义打分器。

做法：① 维护 semantic map；② 在边界 cell 提取 frontier 候选；③ 对每个 frontier 拼接 prompt："I want to find {goal}. Around frontier-i, I see {nearby_objects}. Score 0-10."；④ LLM 输出分数选最高分作 long-term goal。

相比 SemExp 收益：零样本类别支持（LLM 知道 "toaster 在 kitchen" 常识）；解释性强（每步有 LLM 解释）；数据效率（不需要海量 ObjectNav 训练轨迹）。

结果：HM3D zero-shot SR 35.2%（vs SemExp 22.7% same setting）。

易错：L3MVN 仍需闭集语义分割（COCO/LVIS）填 semantic map——只是 LLM 替代 goal policy，不是端到端零样本。完全开放词汇要等 VLFM/OpenFMNav。LLM 推理延迟（每步调一次）也是工程瓶颈。

答：VLFM（Yokoyama ICRA 2024，arXiv 2312.03275）三步：

1. occupancy map：深度反投影 → 2D 占用栅格 + frontier
2. value map：每帧 RGB 用 BLIP-2 算 "a photo of {goal}" cos similarity → 投到对应 BEV cell（前向 cone 内），多帧累积取 max
3. frontier 选择：选 value map 最大的 frontier 作 long-term goal，Fast Marching 走过去

核心创新：把 VLM 图文 similarity 当密集的目标存在性 prior——不是闭集类别，而是任意 prompt。完全开放词汇 + 空间记忆 + 零训练。

结果：HM3D zero-shot SR 52.5%——VLM-based zero-shot ObjectNav 2024 SOTA baseline。

易错：prompt 工程敏感——"a photo of {goal}" 比裸 "{goal}" 显著更好。value map 投影是前向 cone，假设目标在视野中央方向，侧向目标会丢。

答：OpenFMNav（Kuang NAACL 2024）针对 VLFM 两问题：① BLIP-2 query 粗粒度（全图 cos sim）不精确；② 自由形式指令（"找绿色马克杯"）效果差。

改造：① PNP（Prompt-based Navigation Planner）：LLM 解析指令拆出关键物体 + 属性；② Open-Set Detector：GLIP / Grounding DINO 替代 BLIP-2 cos sim 给 bbox；③ VSSM（Versatile Semantic Score Map）：聚合 open-set 检测分数到地图，支持 PNP 引导下的目标 / 中间物体打分。

核心区别：VLFM 图文整体 similarity 粒度粗；OpenFMNav 开放词汇 detection 粒度精 + 属性可控。结果：HM3D zero-shot SR ~54.9%（vs VLFM 52.5%，不同 setting 略有出入）；自由形式指令 +10pt。

易错：OpenFMNav 调用链长（LLM + Grounding DINO + LLM scoring）单步 1-3 s；VLFM BLIP-2 单步 300-500 ms 更接近实时。工程上 VLFM 仍是首选 baseline。

答：CoW（Gadre CVPR 2023，arXiv 2203.10421）极简方案：CLIP 定位（每帧 RGB 拆 patch + image-text similarity 找最像目标的 patch）+ 经典 FBE 探索（1997 算法）+ depth 反投影；无任何训练。

为什么打过学习方法：当时学习方法（SemExp、ZER）强依赖训练分布，HM3D 训练在 Gibson 测就崩；CLIP 4 亿图文对预训练泛化强；经典 FBE 简单可靠不受数据漂移影响。

结果：HM3D ObjectNav zero-shot SR 12-25%（不同 CLIP backbone），在零样本设定下优于同期 ZSON / SemExp。

深层意义：CoW 揭示了"学习方法在 OOD 上 vs zero-shot 基线"——2023 之后 zero-shot ObjectNav 主线开端。

易错：CoW 在复杂指令（自由形式）上不行——只能吃单类别名，属性 / 关系 / 空间介词都 handle 不了。VLFM / OpenFMNav 是 CoW 思路的 "VLM 升级版"。

答：

实务结论：

• 零样本必须用 frontier + LLM 路线（VLFM / OpenFMNav）
• 闭集 + 大量训练数据 RL 仍最优（HM3D 闭集 SR 70%+）
• 混合：PIRLNav 先 IL 后 RL 是闭集 SOTA；VLFM + RL 微调是 2025 新方向

易错：不是"zero-shot 一定比 RL 强"——闭集设定下端到端 RL 仍 dominate；只是工业部署需要 zero-shot，所以前者更受关注。延迟敏感场景（如人形实时反应）frontier+LLM 路线仍有挑战。

答：PIRLNav（Ramrakhya CVPR 2023）针对纯 RL 在 ObjectNav 上不收敛——reward 稀疏（只在终点给）+ 探索空间大。

两阶段：① IL warm-up：在 70k 人类演示上 behavior cloning，先学"基础行走 + 看到物体停下"；② RL fine-tune：PPO 在 IL 检查点继续 1B steps，reward = 成功 + 接近 + 探索。

为什么必须两阶段：纯 IL 模仿专家但 OOD 崩；纯 RL reward 太稀疏（500 步 episode 通常 0 reward）；IL 提供可执行 baseline，RL 扩张优化效率。

结果：HM3D closed-set ObjectNav SR 65%（IL+RL 工作 SOTA）。

易错：PIRLNav 是闭集 SOTA，不是 zero-shot——和 VLFM / OpenFMNav 不在同一赛道。两路"SR 数字"不可直比（PIRLNav 训练见过 chair，VLFM 没见过）。

答：三大瓶颈：① 深度感知（仿真 GT depth vs 真实 RealSense 噪声 / 反光 / 黑色物体丢深度 → VLFM value map 投影直接受影响）；② 场景结构（HM3D 真实扫描但无动态物体，真机场景常变，frontier 探索逻辑要重设计）；③ 语义检测（Grounding DINO 仿真 mAP ~50，真机相机畸变/光照下掉 10-15pt，错传到上层选 frontier）。

次级：控制器 sim2real（PointNav 仿真 95% → 真机 70-80%）、指令歧义（"那个红色杯子"agent 不知道哪个房间）、长程可靠性（500 步真机 5-10 分钟，传感器漂移 / 电量 / 网络）。

缓解：VLM 真机相机微调（域适应）、保守 frontier 策略、failure 检测 + recover。

易错：不要以为"零样本"就 sim2real 友好——VLM 在网络图像训练，与真机相机仍有 gap；零样本只是不需要场景级训练，但 VLM 训练分布仍重要。

答：

CLIP（Radford OpenAI 2021）：图文对比预训练 + softmax；4 亿图文对（OpenCLIP/LAION 系 2B+）；图文 encoder 独立。

SigLIP（Zhai Google 2023）：把 softmax 换成 sigmoid 二分类——每对图文独立判断 match，不再相互归一化。

为什么 SigLIP 小 batch 更好：CLIP softmax 的 partition function 在 batch 内归一化，需超大 batch（32k+）；SigLIP 每对独立计算，batch 影响小，小 batch 下 ImageNet 0-shot 高 CLIP 5-10pt。

embodied 应用：大批量预训练 → CLIP / OpenCLIP；实时 query / 端侧 → SigLIP（推理快、batch=1 稳）；多语长文 → SigLIP-So400m / SigLIP2。

易错：SigLIP 不是 CLIP 升级版——大 batch 充足时 CLIP 仍持平；embodied 圈用 CLIP 多是因生态成熟，不是 SigLIP 更弱。

答：

Grounding DINO（Liu IDEA 2023，arXiv 2303.05499）：基于 DINO 检测器（Zhang ICLR 2023，与 Caron 自监督 DINO 同名不同），文本 prompt 经 BERT 编码后在 backbone + transformer 多层与图像做 deep fusion。

OWL-ViT（Minderer Google 2022）：ViT + DETR 头，晚期融合——CLIP 预训练 + detection 微调，编码器独立最后点积；OWL-v2 加 self-training 提升。

实务：高精度离线 → GD 1.5；实时机器人 → OWL-v2 / GD-Tiny。

易错：开放词汇检测 ≠ zero-shot 分类——前者要 bbox。Grounding DINO 也不是"任意 prompt 都行"，长 phrase / 抽象概念（"舒适的椅子"）效果差。

答：

SAM v1（Kirillov Meta 2023）：单图像分割，prompt（点/框/mask）→ mask；1B+ mask 训练。

SAM 2（Ravi Meta 2024，SA-V 数据集 5 万视频 + 60 万 masklets）加 memory bank + streaming attention：

• 前帧 mask + features 入 memory，下一帧 decoder 通过 cross-attention 访问 → 时序一致
• 第 1 帧给 prompt，后续帧自动 propagate；单帧 ~30 ms（v1 ~100 ms）

embodied 应用：物体跟踪（teleop / VLN 长程记忆）、地面分割（locomotion controller 输入）。

易错：SAM 2 仍需要 prompt，不主动检测——要 open-vocab 自动分割得配 Grounding DINO（Grounded-SAM 2 组合）。memory bank 是隐式特征 cache，不是显式物体级 ID，多个相似物体易 mask 混淆。

答：VLMaps（Huang ICRA 2023）核心：把 LSeg/CLIP 的 pixel-level 特征反投影到 BEV 体素地图。

构建步骤：

1. agent 走过环境采 RGB-D
2. 每帧 RGB 过 LSeg（CLIP 像素级版本）得 pixel-level 特征图
3. depth + camera pose 反投影 3D → 压到 BEV grid
4. 多帧累积：同一 cell 多帧特征加权平均（按视角置信度）

landmark indexing：给文本 query（"go to the sofa"），CLIP 文本编码 → BEV map 每个 cell 算 cos similarity → top-K cell 作 landmark，规划器走到 max 处。

强项：零样本开放词汇 + 空间结构化（BEV 可直接规划） + 跨任务通用（landmark / region / spatial relation 都能查）。

易错：VLMaps 特征聚合是简单平均，不分前/背景——天花板地板会污染同一 cell；ConceptFusion / OpenScene 用 mask-aware 聚合改进。LSeg 训练数据小，long-tail 物体仍弱。

答：ConceptFusion（Jatavallabhula RSS 2023）思路：多基础模型（CLIP / DINO / AudioCLIP）特征统一融合到 3D map。

做法：走环境采 RGB-D → 每帧用 Mask2Former 分割，每个 instance 用 CLIP 抽特征 + 全图 CLIP global feature → pixel 特征 = global + per-mask 加权（防背景污染）→ 反投影 3D 体素，多帧累积。

multimodal 查询：text / image / audio / 3D click 全部映射到同一特征空间做 cos similarity。

对比 VLMaps：VLMaps BEV 2.5D，只 CLIP 文本；ConceptFusion 完整 3D + 多模态查询 + mask-aware 聚合。

易错：ConceptFusion 离线建图——非实时增量，建图后查询很快但建图本身需要走全场景。multimodal 主要是查询模态多样，存储仍是 CLIP 特征；audio query 先转 CLIP-aligned vector 再查。

答：Grounded-SAM（IDEA 2023）= Grounding DINO 给 bbox + SAM 给 mask 的级联：

RGB → Grounding DINO("the red cup") → bbox →
SAM (prompt=bbox) → pixel-precise mask

embodied 典型用法：

1. 抓取目标定位：text → mask → mask 内点云均值作抓取中心
2. 导航语义地图：每帧 detect + segment → 投影到 BEV semantic map
3. 遥操作辅助：人指 "拿那个杯子"，自动框选 + 提示
4. 数据标注：teleop 数据后处理时自动给物体 mask

vs Grounded-SAM 2：SAM v1 → SAM 2 升级后视频流式 mask 跟踪，对连续操作 / VLN更友好。

易错：Grounded-SAM 是两次模型调用，单帧延迟 300-800 ms（GPU），实时场景需要 model distillation 或 cache。Grounding DINO 给的 bbox 不准时，SAM 的 mask 也跟着错——上下游都有失效模式。

答：VLM 幻觉两类典型场景：① 目标不存在但 VLM 说存在（把茶几误判为 sofa → frontier 偏向假目标）；② 指令偏差（"绿色马克杯"被 VLM 关注"绿色"忽略"马克杯"找到绿色背包）。

缓解策略：

• 多帧验证：同物体 K 帧一致检测才确认
• 几何先验：sofa 高度 0.4-0.8 m，与 depth-derived 高度矛盾就拒
• 多 prompt ensemble："a photo of a sofa" / "sofa in a living room" 取平均
• score 阈值：cos sim < 0.25 直接不算
• VLM 二次确认：找到候选后让 GPT-4V "is this {goal}? yes/no"
• 闭环 verification：靠近后再确认

实务：VLFM / OpenFMNav 默认用前 2-3 个策略；真机部署加入 VLM 二次确认。

易错：幻觉不能完全消除——VLM 内在限制；只能降低概率到可接受水平。调试时优先看 false positive（看到不存在的目标）而非 false negative，因 FP 直接导致任务失败。

答：延迟：Grounding DINO 单帧 150-300 ms（A100）；BLIP-2 / SigLIP 50-100 ms；GPT-4V API 1-3 s。

策略：

实务架构：高频感知（30 Hz）用蒸馏小 VLM；低频规划（1 Hz）用大 VLM / LLM；二者通过 semantic map 解耦。

易错：不是"VLM 越大越准"——小 VLM + 任务微调反而更稳。真实瓶颈往往不是 VLM：相机 IO（USB 30 FPS）、网络（云端 200+ ms）、控制频率上限。

答：prompt 工程对 zero-shot nav 收益显著："a photo of a {goal}" 比裸 "{goal}" 在 VLFM 上 +5-10pt SR；"the goal is in {room_type}"（加 room context）+3-5pt；多 prompt ensemble +2-4pt。

CoT 在导航里：

• 有用：高层任务规划——"bedroom 先看床、kitchen 先看橱柜"；NaVILA / NaviLLM 都用 CoT-style prompt
• 无用 / 有害：低层动作选择——"前进 0.25 m 还是 0.5 m" 用 CoT 反而引入噪声 + 延迟
• VLN-R1 / Nav-R1 (2025)：把 CoT 蒸馏到 SFT 阶段，推理时无需显式 CoT 效果保留

关键判断：CoT 用于语义推理有效，用于几何 / 控制无效——LLM 不擅长空间数值推理。

易错：CoT 不是免费午餐——token 数翻倍 → 延迟翻倍；CoT 输出可能"圆滑而错"。生产代码 CoT 通常离线评估保留，在线折叠成 SFT 数据。

答：

必须开放词汇：REVERIE/SOON 含未知物体（"我的眼镜"）；自由形式 ObjectNav；长 tail 操作（古董花瓶）。

闭集够用：家庭服务（类别预定义）；实时性硬约束（自驾 30 Hz）；嵌入式资源受限。

实务混合：高频通道闭集快速检测（YOLO），低频通道（1-2 Hz）开放词汇兜底新类别——zero-shot ObjectNav 常见工程方案。

易错：开放词汇不等于"无所不知"——Grounding DINO 在 long tail / 抽象概念上仍弱。"开放词汇 → 解决一切"是误区；闭集 + 大量训练在已知任务上仍最强。

答：

为什么 ObjectNav 主流用 Habitat：① 渲染速度（RL 需 1B+ frames，唯一可大规模）；② HM3D 1000+ 真实房屋扫描，规模/真实/标注最优；③ Habitat Challenge 每年办，CVPR Embodied AI 默认平台。

易错：Habitat 3 加 humanoid + 物理交互，已追赶 AI2-THOR；别按 2020 旧知识答"Habitat 不能交互"。NeurIPS 2024 / 2025 Embodied AI 主流仍 Habitat-Lab。

答：四大 gap：① 视觉（仿真渲染 vs 真实相机：曝光、白平衡、运动模糊、畸变）；② 空间结构（仿真静态整洁，真实动态：人 / 宠物 / 物品移位）；③ 底层控制（PointNav 仿真完美，真机有打滑、不平、轮速误差）；④ 指令分布（R2R 指令风格统一，真实用户随意：停顿、口误、省略）。

拉近 trick：域随机化（光照/纹理/噪声）、真机 demo 微调 VLM、保守 controller（容差放宽到 1.5-2 m）、failure recovery、闭环 VLM verification、panorama → 单目蒸馏。

实务：2024-2025 真机 VLN 论文（NaVid 实机、Mobile-ALOHA + VLN）仿真 → 真机 SR 掉 20-40pt 是常态；OK-Robot / VoxPoser 做了更激进 zero-shot 真机方案。

易错：sim-to-real 不只是"加噪声重训"——要从任务定义层面缩 gap（成功阈值放宽、step 上限拉长）；不要假设"仿真 SR 60% 真机也 60%"。

答：端到端 VLN-VLA：图像 + 指令 → 大 VLM → 动作或路径，不用 frontier / waypoint / semantic map 中间表征。

代表：VLMnav (2024) GPT-4V zero-shot；Nav-CoT / Nav-R1 (2025) CoT 推理 + 动作；RoboFlamingo (ICLR 2024) OpenFlamingo 导航 + 操作；NaVid / Uni-NaVid 视频 VLM 端到端 VLN-CE。

2026 判断：

• 学术：端到端是趋势，VLN-R1 / Uni-NaVid 在 R2R-CE 上接近 panorama 方法
• 工程离工业部署还差：延迟（VLM 0.5-3 s）、可解释性差（黑盒 debug 难）、错误归因难（感知错还是规划错？）
• 混合架构仍是 2026 主流：VLM 出 high-level 决策 + 经典 controller 落地（如 NaVILA）

易错：不要把"端到端 = 更强"绑定——算力 + 数据充裕时端到端能逆袭模块化，但当前阶段模块化在真机部署 dominate。RT-2 / OpenVLA 是 manipulation 端到端好例子，VLN 还差几步。

答：实务推荐 VLFM 作首选 baseline，OpenFMNav 在以下情况下用：

复现成本：VLFM 在 Habitat 上 1-2 周可复现 → 论文 baseline 大部分都引用 VLFM。

易错：不要在文章里写"我们的 baseline 是 VLFM"然后用 OpenFMNav 设置 evaluate ——两者任务定义和数据 split 都需对齐才能公平比较。HM3D ObjectNav 与 HM3D-Sem 不是同一个评测——有些工作混用。

破例说明：本题频次 2 但来自论文 baseline 选择实务问题，权威工作（VLFM ICRA 2024 / OpenFMNav NAACL 2024）双独立来源，主表保留。

答：3 个有依据的预测：

1. World Model 进入导航：当前 frontier / VLM 是反应式；未来 agent "在心里走一遍"（类似 Dreamer / V-JEPA 2）。Genie / 1X 世界模型 / GR00T 正向导航延伸，2026-2027 大概率出现"导航 dreamer"。
2. 多机协作 / 人机协同：单机导航接近天花板；下阶段是无人机 + 地面机器人协作探索、人机协作 VLN。
3. VLA 一统：OpenVLA / π0 / Helix / GR00T-N2 追求"一模型做导航 + 操作"。短期 (2026) 不会完全统一（长程 vs 精控差异大）；中期 (2027-2028) 可能基于 video-VLM + 真机数据出现强统一模型。

反预测：经典栈（Nav2 + 闭集检测）不会消亡，与 VLM-driven 长期共存。

易错：开放题没标答；面试有依据 + 自洽 > 猜对，引用论文 / 数据支持立场显得专业。

破例说明：开放预测题面试常见（特别是顶级 lab / startup），频次 2 但代表整类题型，主表保留。

答：短期不会取代。

NICE-SLAM / Co-SLAM / SplaTAM：在线 NeRF/GS-SLAM，能产生稠密 + 可渲染地图，对比 ORB-SLAM3 稀疏点云优势在重建。

短板：

• 鲁棒性：ORB-SLAM3 在快速运动 / 弱纹理 / 长隧道经过 7 年迭代，工业稳定；NeRF/GS-SLAM 在挑战场景仍易崩
• 实时：SplaTAM ~10 Hz；ORB-SLAM3 30+ Hz
• 资源：NeRF/GS-SLAM 显存 10+ GB；ORB-SLAM3 1-2 GB
• 回环 / 多地图：传统 SLAM 工具链成熟，NeRF/GS-SLAM 还在演进

适用场景：

• 离线建图 + 重建 → NeRF/GS-SLAM 优势
• 实时定位 + 控制 → ORB-SLAM3 / VINS-Fusion

易错：Gaussian-SLAM 不等于 ORB + Gaussian map ——它把 GS 当前端 odometry而不只是后端 map；这种端到端神经 SLAM 仍是研究阶段。

答：ETPNav（An et al. TPAMI 2024，arXiv 2304.03047）核心：evolving topological + local panorama predictor。

架构：① 拓扑图在线构建——agent 走过节点 + 边，每节点存 panorama embedding；② waypoint predictor 在 panorama 上预测 12 个候选 waypoint；③ 跨模态决策：指令 + obs + topology → transformer → "去哪个 waypoint" 或 "回退"；④ 回溯：走错可回到老节点重选。

为什么强：拓扑记忆避免重复探索；回溯能力处理复杂指令；混合粒度（拓扑粗规划 + 局部 waypoint 精控）。

结果：R2R-CE val-unseen SR 57%——2024 上半年 panorama-based 方法 SOTA。

易错：拓扑图在线生长——非先验地图，新场景从空图开始。回溯机制带来推理开销，单步可达 0.5 s，真机部署需要权衡。

答：DROID-SLAM（Teed NeurIPS 2021）：端到端学习的稠密 BA SLAM，光流 + 几何整体网络化。优势：弱纹理 / 重复纹理 / 长基线显著优于 ORB-SLAM3。短板：显存 10+ GB、推理 < 10 Hz。

DPVO（Teed 2023）：DROID-SLAM 轻量后继，单 GPU 实时 30+ Hz、显存 < 4 GB。

工业可用度：学术 benchmark（TUM RGB-D / EuRoC）DPVO 持平甚至超过 ORB-SLAM3；真机部署仍少见——主要瓶颈是无回环检测（DPVO 只是 VO 不是 SLAM）+ GPU 依赖；特定场景（白墙、玻璃）有不可替代优势。

预测：2026-2027 神经 SLAM 在 Jetson Orin 等嵌入式 GPU 普及后会扩大份额；ORB-SLAM3 在 IMU + 多传感器融合方向仍领先。

易错：DROID/DPVO 是视觉 odometry，回环检测要外挂传统 BoW / NetVLAD；现代工业方案通常神经 VO + 传统 loop closure 混合。