具身智能与普通AI的本质区别在于“感知-理解-行动”的闭环能力。海通国际报告指出，具身感知让智能体理解物理世界中的视觉推理和空间关系，技术包括视觉同步定位与绘图（vSLAM）、3D视觉定位和视觉语言导航（VLN）。具身交互则强调智能体在物理空间中的主动探索和问题解答能力。这些技术正在让机器人从“执行预设程序”走向“理解动态环境并自主决策”。
vSLAM——视觉同步定位与绘图
SLAM解决移动机器人在未知环境运行时定位导航与地图构建的问题。vSLAM（Visual SLAM）主要用相机解决定位和建图，通过一张张连续运动的图像推断相机运动和周围环境情况。技术框架由五部分组成：传感器数据预处理、前端视觉里程计（VO，研究如何根据相邻帧图像定量估算帧间相机运动）、后端优化、回环检测（解决累积误差）、建图。把相邻帧的运动轨迹串起来，构成机器人运动轨迹（定位），再根据每个时刻相机位置计算各像素空间点位置（建图）。vSLAM相比激光雷达方案成本更低，但计算复杂度更高，对光照变化敏感。
3D视觉定位——从粗到细分级方案
3D视觉定位的核心是确定当前图像中相机的位置和姿态，最直接方法是构建3D点与2D点的对应关系，通过PnP（Perspective-n-Point）问题求解。Sarlin在论文《From Coarse to Fine: Robust Hierarchical Localization at Large Scale》中提出分级定位方案，分为三步：预检索（获取前K张最相似图像，通过全局特征匹配，如NetVLAD/MobileNetVLAD）、共视聚类（将面向不同场景的图像区分开，共视关系的图像聚成一类）、局部匹配与定位（从图像数量较多的类开始，匹配2D-3D点对应关系，求解PnP获取相机位姿）。
视觉语言导航（VLN）——自然语言指令驱动的导航
VLN结合计算机视觉、自然语言处理和自主学习三大核心技术，使智能体能够跟随自然语言指令进行导航。例如将机器人放置在一间卧室并指令“去另一间卧室取足球”，机器人需走出房间经过走廊、客厅等场所，理解并处理每处环境信息，判断下一步行进方向。NaVid是首个专为VLN任务设计的视频大模型，仅将视频信息作为输入，无需地图、里程计或深度数据支持。当前两大难点：导航数据模态与大模型常见模态不一致、高质量的VLN真实数据匮乏。
具身交互与EQA——主动探索与问题解答
具身交互任务指智能体在物理或模拟空间中与人类和环境交互。典型任务为具身问题解答（EQA）：agent在三维虚拟空间中被询问（如“车是什么颜色的？”），需主动探索环境寻找视觉信息，整合后返回答案。EQA要求agent具备：主动探索性（随机生成位置下寻找视觉信息）、常识推理（像人一样有目的探索，如问厨具颜色直接去厨房）、收敛性分析（采用模仿学习策略提供示范引导）。当前四大难题：通用本体平台挑战（关键零部件突破）、智能体系统设计（实时感知决策+LLM算力需求）、高质量数据需求、虚拟与真实交互中的学习进化。
表：具身智能感知交互核心技术对比| 技术 | 核心功能 | 技术框架 | 关键挑战 |
|---|
| vSLAM | 定位与建图 | VO+后端+回环+建图 | 光照变化、计算复杂度 |
| 3D视觉定位 | 相机位姿估计 | 预检索+共视聚类+PnP | 2D-3D匹配精度 |
| 视觉语言导航 | 自然语言指令驱动导航 | CV+NLP+强化学习 | 数据模态不一致、数据匮乏 |
| 具身问答EQA | 主动探索+信息整合+回答 | 感知+推理+行动闭环 | 长序列收敛、常识推理 |
