104、视觉导航中的地图构建：语义地图与拓扑地图的构建昨晚调试一个室内巡检机器人，导航模块在走廊尽头反复横跳，死活找不到通往会议室的路。激光SLAM给出的栅格地图明明很干净，代价地图也没问题，可机器人就是绕不过那张被椅子挡住的桌子。后来我打印出它内部维护的拓扑图，才发现问题出在节点连接关系上——两个物理上相邻的房间，在拓扑图里居然隔了三跳。这种问题，纯几何地图根本看不出来，你得让机器人“理解”空间里有什么，以及这些“什么”之间怎么走。这就是今天想聊的：视觉导航里，地图不该只是一堆点云和网格，它得带上语义，还得有能支撑规划的高层结构。语义地图回答“这里是什么”，拓扑地图回答“从哪到哪怎么走”。两者结合，才是具身智能能用的地图。从一次失败的抓取说起先讲个更早的教训。当时做桌面抓取，机器人用RGB-D相机重建了桌面的稠密点云，抓取规划器在点云上算抓取位姿，成功率还行。但一旦物体被挪动位置，或者桌面多了个之前没见过的杯子，规划器就懵了——它不知道“杯子”和“碗”的区别，更不知道“杯子放在盘子旁边”这个空间关系意味着什么。后来我意识到，纯几何地图是“哑”的。它记录了形状，但没记录意义。机器人需要知道：那个白色圆柱体是水杯，水杯在桌子的左上角，桌子在厨房的中央，厨房和客厅通过走廊相连。这串信息里，既有语义标签（水杯、桌子、厨房），又有空间关系（在……上、在……旁、通过……相连），后者其实就是拓扑结构的雏形。所以视觉导航的地图构建，我倾向于分两层来做：底层是带语义标注的度量地图（通常是栅格或体素），上层是抽象出来的拓扑图。底层负责精确的几何避障和位姿估计，上层负责高效的路径规划和语义推理。