最新综述！多模态融合与VLM在具身机器人领域中的方法盘点

想象这样一个场景：你让机器人在陌生的仓库里完成任务，“找到蓝色货箱，把它搬到出口处”。这意味着机器人不仅要识别货箱的位置，还要在光照复杂、物体遮挡、路径拥挤的环境中，实时规划路线并执行动作。过去的机器人往往依赖单一传感器（例如摄像头），一旦遇到光照变化或遮挡，就容易“失明”；而即便多加几个传感器，也常常因为信息割裂、缺乏统一融合而难以真正理解环境，更别说听懂人类的自然语言指令。

如今，多模态融合（Multimodal Fusion） 和 视觉语言模型（Vision-Language Models, VLMs） 正在改变这一切。多模态融合能整合 RGB 图像、深度信息、LiDAR 点云、语言、甚至触觉与位置信息，从而让机器人拥有更全面的“感知力”；而大型预训练 VLMs 则让机器人具备了跨模态对齐与语义理解能力，能够把“看见的”与“听到的”结合起来，转化为任务执行的逻辑。换句话说，它们正在让机器人从“单一感官的机械执行者”，进化为“具备理解力的智能伙伴”。

这篇综述《Multimodal Fusion and Vision-Language Models for Robot Vision》，由自动化所三维可视计算团队撰写，已被国际顶刊 Information Fusion正式接收。文章全面梳理了 VLM 与多模态融合在机器人视觉中的应用：从语义场景理解、三维目标检测，到 SLAM、具身导航和操作控制。同时，作者比较了传统方法与新兴大模型方法的优缺点，分析了相关数据集与基准测试，并提出未来的发展方向——包括跨模态自监督学习、轻量化融合架构、Transformer 驱动的统一范式，以及真实环境中的高效部署策略。

如果你想理解机器人如何突破感知与理解的局限，如何在复杂环境中实现更自主、更高效的交互，这篇综述无疑是一份值得深入研读的“领域地图”。

作者： Xiaofeng Han, Shunpeng Chen, Zenghuang Fu, Zhe Feng,Lue Fan,Dong An,Changwei Wang,Li Guo, Weiliang Meng, Xiaopeng Zhang,Rongtao Xu,Shibiao Xu

单位：中科院自动化所三维可视计算团队,北京邮电大学,山东省科学院

论文标题：Multimodal Fusion and Vision-Language Models: A Survey for Robot Vision

论文链接：https://arxiv.org/pdf/2504.02477v2

项目地址：https://github.com/Xiaofeng-Han-Res/MF-RV

作者知乎：https://www.zhihu.com/people/fengzhe_love

贡献

1. 系统整合了传统多模态方法与新兴 VLM，从架构、功能、应用三个维度展开比较，揭示它们的互补性和融合潜力；
2. 不同于以往只关注语义分割或目标检测的综述，我们还扩展到多模态 SLAM、机器人操作、具身导航等新兴任务，展示其在复杂推理和长时任务中的应用潜力；
3. 总结了多模态系统相比单模态的优势，比如感知更鲁棒、语义更丰富、跨模态对齐更自然、推理层级更高，突出了它在动态、不确定或部分可观测环境中的实际价值；
4. 深入分析当前主流的机器人多模态数据集，涵盖模态组合、任务覆盖、适用场景与局限，为未来基准构建和模型评测提供参考；
5. 识别关键挑战，包括跨模态对齐技术、高效训练策略和实时性能优化，并据此提出面向未来的研究方向。

多模态融合在机器人视觉任务中的应用

语义场景理解：让机器人“看懂世界”

语义场景理解是视觉系统里的“硬核任务”，涉及物体识别、语义分割和关系建模。但如果只靠 RGB 图像，在复杂环境下就容易“翻车”：光照变化、物体遮挡、多目标重叠……哪一个都可能让模型瞬间迷路。于是，多模态融合就成了“救命稻草”，通过引入深度、LiDAR、语言等额外信息，大幅提升了场景理解的准确性和鲁棒性。

目前主流的融合策略主要分三类：

• 早期融合：在输入层直接拼接多模态数据，结构简单，但非常怕噪声，稍不小心就“乱套”；
• 中期融合：在特征层进行交互，常用注意力机制、GNN等方法，既保持模态独立，又能聪明地建模跨模态关系；
• 后期融合：各模态先“各干各的”，再整合决策，优点是扩展性强，想加新模态时不用“推倒重来”。

随着深度网络的发展，融合方式也在升级，从“显式拼接”走向了“隐式协作”。现代多模态模型往往在统一架构中同时完成特征提取、模态交互和任务预测，不仅减少了阶段设计的麻烦，还让不同模态之间的信息交换更加顺畅。

当前主流实现路径主要有三大类：

1. 编码器-解码器架构（如 DeepLabv3+、HRNet），适合处理复杂多模态任务；
2. 基于注意力的 Transformer（如 MRFTrans、DefFusion），善于建模长程跨模态依赖；
3. 图神经网络（GNN）方法（如 MISSIONGNN、VQA-GNN），通过图结构捕捉模态之间更细腻的语义关系。

总的来看，这些方法正在一起努力，目标只有一个：让机器人在真实环境中看得更清、想得更深、少走弯路。毕竟，谁也不想让机器人一出门就迷路，对吧？

3D 目标检测

在自动驾驶系统中，3D 目标检测几乎可以算是最关键的感知任务之一。它的目标很直接：让车辆准确识别并定位周围的行人、车辆和障碍物，从而为后续的路径规划和决策提供可靠支持。常见的传感器包括相机、LiDAR、雷达和超声波。单一传感器各有短板：相机能捕捉丰富的纹理和颜色，但缺乏深度信息；LiDAR 提供精准的空间几何结构，却“看不懂”语义和纹理。把它们结合起来？优势互补，效果立竿见影，系统对环境的理解能力会显著提升。

三个核心问题：什么时候、融合什么、怎么融合？

在多模态融合的设计中，有三个绕不开的问题：When to fuse（何时融合）、What to fuse（融合什么）、How to fuse（如何融合）。

• 什么时候融合：
• 早期融合：在原始数据层面就直接拼接，例如把图像与点云直接“叠”在一起；
• 中期融合：先分别提取模态特征，再在特征空间中交互；
• 后期融合：各模态各算各的，最后再在决策层汇总结果。
• 融合什么： 相机数据可以是特征图、注意力图、伪点云等；LiDAR 数据可以是原始点云、体素化表示，或者是鸟瞰视图（BEV）。不同选择会直接影响融合的效果和计算开销。
• 怎么融合： 从最初的非注意力型方法（简单拼接、加权平均）到如今基于注意力的跨模态交互，方法论已经发生质变。Transformer 和跨模态注意力的引入，让模型学会了“有选择性”地关注不同模态中最有价值的特征，而不是一股脑儿地全收。

相机 vs LiDAR：互补才是正解

相机单模态方法通过 2D 图像去推理 3D 结构，优势是语义丰富、视觉直观，但一旦遇到遮挡、极端光照或雨雪天气，表现会明显下滑。LiDAR 单模态方法则完全反过来：三维几何结构拿捏得死死的，但在远距离或低反射物体上点云会很稀疏，而且缺少语义区分能力。

所以这几年，LiDAR 和相机的多模态融合逐渐成了主流方向。说白了，就是让模型既能“看到”世界的样子，又能“摸清”世界的形状。

方法演进：从简单拼接到智能交互

从最早的 MV3D、AVOD 到近年来的 TransFusion、BEVFusion 和 GAFusion，这条技术演进路线很清晰：

• 早期方法依赖直接拼接或统计操作，简单粗暴但效果有限；
• 随着深度学习的发展，逐渐演化出更复杂的点级、体素级、区域级融合策略；
• 直到 Transformer 的引入，多模态交互被彻底“点满”，模型终于学会了在不同模态中“挑肥拣瘦”，适应复杂环境的能力大幅提升。

一些代表性方法：

• PointPainting：先对图像做语义分割，再把结果“涂”到点云上，给稀疏点云补上语义信息；
• TransFusion：用 Transformer 解码器建模跨模态依赖，在点云稀疏的场景下依然能保持高精度检测。

换句话说，这波进化就是从“硬拼”到“会聊”，信息交互越来越聪明。

融合更多模态：雷达和 4D 雷达的加入

除了 LiDAR+相机的组合，研究者还在探索雷达-相机和雷达-LiDAR的融合。雷达的优势在于可以直接测量速度，而且在雨雪雾等恶劣天气中依然表现稳定。比如 CenterFusion 就通过引入雷达信息，显著提升了动态环境下的检测性能。

随着 4D 雷达的发展，模型甚至可以同时获取三维空间位置和目标速度，大幅增强对动态物体的感知能力。与此同时，跨注意力机制和自监督融合方法也在不断被引入，以进一步提升精度和泛化性。

具身导航

具身导航的核心思想，是让机器人像“真的身处环境中一样”去探索、感知和行动，而不是只依赖预定义地图或单一传感器。换句话说，它不仅关注“怎么走”，还关注“为什么走”，强调在真实环境中自主决策与动态适应的能力。

在现有研究中，具身导航主要可以分为三类代表性方法：目标导向导航、指令跟随导航 和 基于对话的导航。这三类方法可以看作是从“感知驱动”到“语言理解”再到“交互感知”的逐步演进。

目标导向导航

这是最直观、最基础的一类方法。机器人接收一个明确的目标，例如“去找到椅子”，然后依赖视觉语义和空间先验知识，完成以下几个关键步骤：

• 自主感知周围环境
• 建立空间表示
• 规划合理路径
• 执行动作直到到达目标

这一类方法在 Habitat 平台上的 ObjectNav 等任务中得到了广泛验证。研究结果表明，机器人可以在没有先验地图的情况下，基于视觉和语义信息，在未知环境中完成目标检索和导航。这类任务通常考验感知能力与空间推理能力的结合，是具身导航的基础。

指令跟随导航

相比单纯的目标导向，这一类方法进一步引入了自然语言理解。机器人不仅要“看到环境”，还需要“听懂人类说什么”，并将语言信息与视觉感知结合起来。

例如，当机器人接收到“走到厨房左边的桌子”这样的指令时，它需要同时完成以下两件事：

• 视觉层面：识别出厨房、桌子等语义实体；
• 语言层面：理解“左边”的空间约束，并结合视觉地图执行。

近年来，研究者提出了不少具有代表性的系统：

• InstructNav：通过多源价值映射（multi-source value mapping），实现了跨任务的零样本规划，能在没有特定训练的情况下适应新任务。
• NaVid：利用视频驱动的视觉-语言模型，在室内与室外导航任务中均表现出更强的泛化能力。

这一类方法的核心突破在于让机器人不仅“看得见”，还“听得懂”，极大拓展了机器人在复杂环境中的交互和适应能力。

基于对话的导航

在这类方法中，机器人不再是被动执行命令，而是能够主动发问、实时交互，从而显著提升任务的灵活性。

例如，当机器人接到模糊的指令“去那个房间”时，它不会盲目行动，而是可以主动追问：“是指有沙发的房间吗？”在拿到更明确的信息后，机器人会动态调整路径，并在执行过程中不断修正错误。

这种交互式导航范式让机器人在不确定环境中拥有更高的适应性，特别适合长时序、多步骤的复杂任务。它不仅需要多模态融合（视觉、语言、空间），还要求系统具备在线推理与自我校正的能力。

视觉定位

如果说导航是回答“怎么去”，那视觉定位的任务就是先搞清楚“我在哪”。这个问题看似简单，其实在机器人系统里是个大难题。特别是在光照变化、遮挡严重、环境动态频繁的现实场景中，光靠一个传感器——比如相机或者 IMU（惯性单元）——往往会力不从心。

好在近年来深度学习带来的多模态融合思路，实实在在把这个老问题往前推进了一大步。比如 DeepVO 和 D3VO 这类方法，把卷积网络（提特征）和循环网络（建时间关系）结合起来，实现了端到端的自运动估计和深度估计。这些方法在标注丰富的数据集上表现不错，但也暴露出另一个问题：数据哪里来？

于是，自监督学习成了救场英雄。它不靠人工标注，而是通过光度一致性和几何一致性这些物理约束进行学习。换句话说，它让模型“自己悟”，效果还真不差。

更进一步的工作开始尝试将传统几何建模和深度神经网络混合使用，试图解决视觉里程计常见的尺度歧义和累积漂移问题。比如 D3VO 就引入了不确定性估计机制，让系统在面对动态物体或遮挡时不再那么“慌”。

而更激进的路线则直接采用神经隐式表示，比如火出圈的 NeRF，以及带语义扩展的 Semantic-NeRF。这类方法的目标很明确：把整个场景的几何和语义信息压缩进一个神经网络，让机器人哪怕是在完全陌生的环境中也能靠“记忆”来定位，听起来有点像把地图装进了大脑。

同步定位与建图

SLAM（Simultaneous Localization and Mapping）算是机器人视觉中的“老牌任务”了。自 1986 年提出以来，它一直是机器人自主探索的基石：一边在未知环境中“打怪升级”，一边绘制地图，同时还得精确知道自己在哪。简单说，就是让机器人边走边画，还得画得准、走得稳。

传统 SLAM 主要分两大阵营：

• 基于 LiDAR：测距精准、稳定性高，但缺乏语义，远距离点云还容易稀疏；
• 基于视觉（V-SLAM）：通过相机提取与跟踪特征点，语义丰富，但在低光、无纹理或强遮挡环境下很容易“掉链子”。

说白了，LiDAR“看得准”，相机“看得懂”，但两者各自“看不全”。

为了弥补单一模态的不足，多模态 SLAM 顺势登场。通过融合 LiDAR、相机、IMU、GPS、雷达等多源信息，系统变得更稳、更聪明、更适应环境变化。

一些代表性工作：

• V-LOAM：最早把视觉与 LiDAR“绑”在一起，利用几何与纹理的互补性，大幅提升精度。
• LIMO：引入 IMU，让系统在动态场景下依然稳定。
• LIC-Fusion & LIC-Fusion 2.0：通过紧耦合优化框架深度整合多源数据，在大规模场景中兼顾高精度与实时性。

换句话说，SLAM 终于从“单打独斗”变成了“抱团取暖”。

近年来，SLAM 也迎来了“神经化”浪潮。Transformer 等深度学习技术被引入，用来建模时序关系与跨模态依赖：

• UVIO：用 Transformer 主干联合建模视觉和 IMU，大幅提升动态场景下的位姿估计。
• RD-VIO：融合雷达信息，在恶劣天气中依然稳如老狗。
• ConceptFusion：更“激进”，把视觉、语言、音频等模态融合，迈向了语义级理解。

这意味着 SLAM 系统不只是“知道我在哪”，还开始能理解“我周围有什么”，甚至“我应该怎么走”。

整体来看，SLAM 正在从“几何驱动”向“语义驱动”演进。未来的发展方向很可能是：

1. 多模态轻量化：在保证精度的同时降低计算开销，让 SLAM 跑得起、飞得快。
2. 自监督与大模型结合：减少对昂贵标注数据的依赖，提升泛化能力。
3. 感知与决策一体化：不只是定位和建图，还能进行高层语义理解，辅助路径规划和任务执行。

视觉-语言-动作模型

在机器人操作任务中，多模态特征融合几乎是从“能看见”到“会行动”的关键一环。视觉-语言-动作（VLA）模型正是为此而生：它结合视觉感知、语言理解和动作规划，让机器人在面对复杂任务时，不再只是被动感知，而是能基于多源信息主动决策和执行。

VLA 的核心：模态互补 + 动作生成

VLA 模型的核心思路很直接：

1. 从视觉模态中获取世界状态：物体的位置、形状、姿态和布局；
2. 通过语言模态理解任务语义：解析自然语言指令，将“人话”翻译成“机器人能懂的话”；
3. 将多模态信息融合到统一表示，再一步映射成具体的动作序列。

一些代表性方法：

• RT-2：通过大规模预训练把视觉和语言表示对齐，让机器人能直接把自然语言指令翻译成低层控制命令。
• RoboMamba：在融合框架中显式引入动作动态建模，提升操作规划的合理性。
• 3D-VLA：结合三维点云与深度图，让视觉表征更丰富，从而在语言指导下实现更精准、更鲁棒的操作。

一句话总结：视觉让机器人“看得见”，语言让它“听得懂”，而 VLA 则让它“动得准”。

高效化与智能化：让 VLA 更轻、更快、更聪明

VLA 模型的强大性能，常常伴随着高昂的计算代价，因此研究者开始探索轻量化与高效推理：

• OpenVLA：引入 LoRA（低秩适配）实现参数高效的模态对齐，训练成本大幅下降。
• DeeR-VLA：通过动态提前退出机制，在保证精度的同时显著降低计算开销。
• VoxPoser：更“野心勃勃”，它通过语言驱动的可供性推理（affordance inference），在 3D 空间中生成价值图，让机器人在动态环境中可以实时调整策略，做到“见招拆招”。

这种趋势很明显：不仅要让机器人更聪明，还要让它更快、更轻、更能落地。

总体来看，基于 VLA 的多模态融合，让机器人在操作任务中实现了三重跃迁：

1. 感知更强：能同时理解空间布局、物体属性和语义信息；
2. 理解更深：语言与视觉对齐后，机器人能“听懂”复杂任务；
3. 执行更准：融合多模态信息后，动作规划更加合理高效。

视觉 + 触觉：让机器人“摸得准、抓得稳”

在机器人抓取与操作中，视觉负责给出全局信息（物体位置、形态、姿态），而触觉则提供局部反馈（接触力、摩擦、滑动等）。两者结合，让机器人不仅“看得见”，还能“摸得准”，操作的精度与稳定性会大幅提升。

抓取生成：先“看清”，再“摸准”

在抓取生成阶段，视觉帮助确定物体的空间姿态和位置，而触觉则补充表面特性和受力信息，用于选择最优抓取点。

• FusionNet-A：将视觉与触觉特征通过三维池化和全局平均池化融合，用于物体识别与抓取规划。
• VITO-Transformer：基于 Vision Transformer，把触觉信号引入自注意力机制，实现动态适应的抓取点预测。

一句话总结：视觉负责“发现目标”，触觉负责“挑最稳的下手点”。

抓取规划与执行：触觉让机器人“更稳”

到了抓取规划与执行阶段，触觉反馈的重要性进一步放大：

• RotateIt：融合视觉、触觉和本体感知（proprioception），在多轴旋转任务中实现最优力闭合。
• Sparsh：提出大规模触觉预训练方法，学习到通用触觉表征，有效提升滑动检测和抓取稳定性。

这里触觉的作用有点像“安全气囊”，实时调整，让机器人不至于“手滑”。

抓取稳定性评估：多模态的真正价值

在抓取稳定性预测中，视觉-触觉融合展现出了巨大优势：

• Li 等人：通过时空注意力机制动态分配模态权重，既关注空间关键区域，又跟踪时间变化。
• MimicTouch：模仿人类触觉策略，结合自监督学习和强化学习，显著优化抓取稳定性。
• Octopi：利用 GelSight 传感器收集高分辨率表面数据，并通过 CLIP 模型对齐视觉与触觉特征，实现更强的策略泛化。
• TAVI：结合视觉空间推理与多指触觉反馈，实现翻转等复杂操作任务。

这些方法让机器人从“只会抓”升级为“会思考怎么抓”。

Vision-Language Models 演进

预训练：跨模态理解的起点

在多模态学习中，预训练几乎是整个系统的起点。通过在大规模图像-文本数据上进行联合训练，模型能够学会视觉与语言之间的深层语义关联。这样一来，它不仅能在图文匹配、图像描述、视觉问答等常见任务上表现出色，还能在标注稀缺的情况下依靠已有知识完成迁移，展现出极强的泛化能力。

核心思想其实很直接：把不同模态的数据（图像、文本、语音等）映射到同一个共享表示空间中，让模型理解“这张图片”和“这段文字”在语义上的对应关系。为了实现这一点，研究者通常会为不同模态设计专门的编码器，比如用 CNN 处理视觉、用 Transformer 处理文本，然后通过对比学习或自监督方法对齐它们。

其中最典型的例子是 CLIP：它通过大规模图像-文本对的对比学习，让模型学会在同一向量空间中把相关图像和文本拉近、不相关的推远。这种方式不仅让 CLIP 在零样本任务中“开挂”，还能轻松迁移到下游的多模态任务中，几乎成为跨模态预训练的标配方案。

跨模态对齐与表示学习

要让视觉和语言真正“对话”，光有一个共享空间还不够，跨模态对齐才是关键。这意味着模型必须学会在不同模态之间建立精确对应关系：一张图上的视觉区域要能和一句话里的词语对齐。但问题在于，图像是高维连续信号，文本是离散符号，如何让它们在同一空间高效交互，是跨模态研究的核心挑战。

目前，主流方法大致可以分为三类：

1. 对比学习通过拉近正样本（同一图像和它的描述），推远负样本（不同图片与无关描述），模型能够学会“哪些是相关的，哪些不是”。代表方法有 CLIP、ALIGN，它们用大规模图文对训练出了极具泛化性的语义空间。
2. 自监督学习借助掩码预测、图像修复或跨模态一致性等任务，让模型在没有人工标注的情况下，自动学到模态间的互补信息。例如 BLIP-2 通过图像-文本双向掩码任务，显著提升了跨模态理解能力。
3. 跨模态生成让模型从一种模态生成另一种模态，比如根据文字生成图像（如 DALL·E、Imagen），或者根据图像生成描述和问答。这类方法不仅提高了模型的跨模态理解能力，也催生了许多创造性应用。

这三类方法相互补充，让模型不仅能“看懂”图文关系，还能推理、联想、生成。换句话说，模型从“懂得对应”进化到“学会表达”，为视觉语言的深度融合打下了基础。

视觉-语言模型的演进：从“小助手”到“全能选手”

自 2022 年以来，视觉-语言模型（VLM）的发展速度可以说是“卷”出新高度。最早的 Flamingo、PaLM-E 主要聚焦少样本学习和跨模态推理，让模型学会“看图说话”这件事。随后，MiniGPT-4 和 LLaVA 更进一步，不仅在视觉与语言的深度对齐上做了加强，还通过指令微调让模型更懂人话，泛化能力直接起飞。而到了 Gemini、Llama-3.2 这一代，事情就更热闹了：多模态范围扩展到图像、文本、音频甚至跨语言，俨然一副“想做通用智能”的架势。

核心创新点：它们变强的秘密

1. 大规模图文预训练先“喂饱”模型海量图文对，让它先学会“看懂”和“说对”，为跨模态推理打下坚实基础。
2. 指令微调用自然语言告诉模型“我要什么”，结果发现它真能学会举一反三，甚至偶尔还能“猜”到你没说出口的需求。
3. 结构优化新一代模型疯狂上“黑科技”，比如 MoE（专家混合）、稀疏注意力，一边变聪明，一边还想省算力，简直又要当学霸又要省电。

结论

这篇论文系统性地探讨了视觉语言模型（Vision-Language Models, VLMs）在机器人视觉中的“江湖地位”，算是一次全景式的盘点。我们聚焦于语义理解、三维目标检测、具身导航和机器人操作等核心任务，梳理了各种多模态融合方法是如何把视觉、语言、深度信息和点云“拉到一张桌子上”聊合作的。论文细致总结了几条主流技术路线，包括编码器-解码器框架、跨模态注意力机制、图神经网络等，并分析了它们在不同任务上的优缺点。与此同时，我们也拿传统方法和大模型驱动的新方法做了横向对比，看看“老江湖”和“新贵”各自的招式。除此之外，论文还系统整理了常用的数据集和评测基准，并不留情面地指出现有研究在方法、数据和任务维度上有点“不均衡”，堪称业内“真相局”。

在全面分析的基础上，总结了三个关键发现： 第一，跨模态对齐策略几乎决定了机器人感知能力的上限，但现实是——不同模态之间常常“不说同一种语言”，语义粒度差异和特征对不上号仍是硬伤； 第二，在算力有限的机器人平台上部署大规模 VLM，可不是“模型一丢就完事”，还得靠轻量化与多阶段自适应机制“精打细算”，否则 GPU 会先罢工； 第三，任务导向与在线自适应的融合方法逐渐走红，让机器人能在动态环境中实时“见招拆招”，像玩游戏开了“自动战斗”一样灵活。

当然，虽然 VLM 在标准化任务上表现得像“学霸”，可一旦放到真实机器人平台上，问题立刻暴露：传感器异质性导致模态缺失、稀疏或低质输入引发语义偏差，还有延迟、鲁棒性、可解释性这些硬性要求，样样都头疼。对此，作者提出未来研究可以重点关注三条路线： 一是引入结构化空间建模和记忆机制，让机器人拥有更靠谱的“空间感”； 二是提升系统的可解释性与伦理适应性，毕竟没人想养一个“黑箱型小叛逆”； 三是借鉴脑科学的建模理念，发展具备长期学习能力的认知型 VLM 架构，让机器人不再“短记性”，而是越用越聪明。

总之，我们的愿景很明确：未来的机器人视觉系统不仅要更自主、更高效，还得更懂我们。说白了，就是想把机器人培养成“既有大脑，又懂社交”的全能型选手。