跳转至

第 5 章 导航（地图死了吗？）

这一波最容易让人误解的事，是以为 foundation model 替代了 SLAM（边建图边定位）。其实根本没换。它无非是在外面包了一层语义皮，让那张把空间切成格子、只标占没占的白茫茫占据栅格图，听得懂“去厨房”，仅此而已。底下那层做点云对齐的 ICP、回到老地方时把地图对齐的 loop closure、靠图优化把累积误差摊掉的 graph optimization，该跑的一个都没省。

先看一个典型的仓储盘点 setup。一台轮式底盘上的软硬件配置相当标准：车身前后各挂一颗 RealSense D455，顶上一颗竖直方向带 16 条扫描线的 Velodyne 16 线激光雷达，IMU（六轴：加速度 + 陀螺仪）选了 Bosch BMI088；算法上走 Cartographer 跑 2D LIDAR SLAM，再由 ROS2 时代的导航栈 Nav2 来做局部规划。

它在主货架区里走得稳稳当当。可一拐到货架尽头，停在那片用作打包区缓冲的金属反光支架前面，姿态估计就抖了起来。LIDAR 在那面金属上遭遇了回波多重反射，激光打出去再收回来，像平白走了一段不存在的距离。Cartographer 内部的 scan match score（当前帧能不能跟地图对齐的得分）开始报黄。视觉那边 ORB 特征点（一种角点检测 + 描述子）在反光金属上漂得更厉害，每帧抓到的角点跟上一帧根本不在一处。IMU 先跟着漏漂了大概十秒，姿态就直接拐到了墙里。

机器人当时接到的任务是去某个货位扫描箱子。在它错乱的内部坐标里，那个货位如今落在了墙体后面。它毫不犹豫地冲着墙走，撞上之后，costmap（代价地图：每格标走过去的代价）才把那一格涂成红色。重规划，绕开，再撞；一连撞了三次之后，全局重定位终于 trigger，总算把姿态拉了回来，前后生生丢了 40 秒。

到了 2026 年，这样的场景每天依然在工厂、仓库和医院里发生几千次。这并不是因为没人懂 SLAM，而是现实环境里总有 5% 的角落会让 SLAM 的假设当场崩掉。这一章要讲的，就是新一波 foundation 视觉特征与 VLN（视觉语言导航：照人话走）打算怎么去收拾这 5% 的残局，至于它们同样处理不了的另外几个 5%，到头来还得交还给经典老栈。

另一个对照同样常见。一台跑着纯视觉栈的家庭服务机器人，被部署在一栋老式公寓楼里。它在客厅里表现得近乎完美，问题偏偏出在连通客厅与卧室的那条走廊上：整条走廊长 4 米，两侧全无修饰的白墙，脚下的地板纹理整齐划一。导航栈跑的是基于 DINOv2 patch feature（每个图像小块的视觉向量）的 retrieval 定位（拿当前帧去库里找最像的，认为我就在那）。走到走廊正中间，它的 retrieval top-1 居然命中了训练数据里另一户人家的同款走廊，那张图像完全不属于这栋公寓。机器人却信心十足地照着那张图里的语境往前开，迎头撞上了一处训练数据里那户人家有、这户人家根本没有的门把手。

这件事在工程上被称作 hallucination，术语借自 LLM。“foundation 视觉特征在低纹理重复结构里会幻觉”成了 2024 - 2025 年家用机器人公司学到的最贵一课，几乎家家都掏过真金白银交这笔学费。

先把这套经典栈到底是什么交代清楚，并不是为了讲历史，而是因为后文的每一处讨论，都得频频回头拿它作对照。

视觉 SLAM 这一线。Mur-Artal 的 ORB-SLAM 系列（ORB-SLAM、ORB-SLAM2、ORB-SLAM3）在 2015 到 2020 年间，把 monocular（单目）、stereo（双目）、RGB-D（带深度的 RGB）与 inertial（带 IMU）全部打通。它的骨架很清晰：靠 ORB 特征点提特征，用 bag-of-words（把图像描成一袋视觉词）做 loop closure，再挂上 g2o（一个图优化求解库）做 graph optimization。这套体系至今仍是学术界的 baseline，也是很多消费级 AR 设备里跑的东西。同一时期，LSD-SLAM 和 DSO 走了 direct method（不挑特征点，直接用像素亮度对齐）的路子，特征点哪怕稀疏，稠密深度依然表现优异。

LIDAR SLAM 这一线。Google 的 Cartographer（Hess 等，2016）把 2D LIDAR + IMU 做到了仓库级别的稳定。3D 领域则沿着 LOAM 那一支演进，等到 LIO-SAM（Shan 等，2020）做出 IMU 紧耦合，连续几年都在 Hilti 比赛里斩获奖项。再往后，又涌现出 FAST-LIO2、Point-LIO 这类追求极致优化的版本。在工业部署场景中，LIDAR SLAM 这一支几乎是默认选择，因为它面对光照、纹理与动态变化，远比纯视觉抗造得多。

融合。各路传感器的分工向来明确：IMU 提供 short-term 高频姿态，wheel odometry 给出地面平移先验，GPS / RTK 充当户外的全局 anchor，LIDAR 与视觉则负责拉住长期的回环。底下的 EKF、UKF 或 factor graph 负责把这些信号死死焊在一块。Maybeck 那本 Stochastic Models, Estimation, and Control 固然是这一行的圣经，但在真刀真枪的工程现场，ROS 里那个现成的 robot_localization 软件包就足够用了。

地图表示。诞生于 1985 年的 occupancy grid（Moravec & Elfes，1985），至今仍是最常见的栅格地图。ROS 里的 costmap_2d 把静态层、障碍层和膨胀层一层层叠起来，让规划器拿到一张可以直接跑 A*/Dijkstra 寻路的地图。在 3D 空间里，OctoMap 稳坐了多年的头把交椅，直到最近，NeRF 与 Gaussian Splatting 这条技术线才开始挤进来，充当 dense 表示。

规划栈。ROS1 时代的事实标准是 MoveBase，到了 ROS2 则被全面重写为 Nav2（Macenski 等，2020 年起）。新架构把 behavior tree 放在顶层做调度，底层灵活接入各色 planner（NavFn、SmacPlanner）与 controller（DWB、TEB、MPPI）。走到 2026 年，绝大多数轮式平台部署的依然是 Nav2，没有任何一个 foundation model 真正替代了它。

先把这一段牢牢记住。后面聊起各种新东西时，每一处都要对照着这里问一句：“这件事究竟是真的替代了上面哪一行，还是只是往上叠了一层。”

新东西到底是什么。

Foundation 视觉特征。Meta 开源的 DINOv2（Oquab 等，Meta，2023）与后续演进，把 ViT 在大规模无标注图像上通过 self-supervised 训练得到的 patch feature 彻底公开。这类 feature 天生抗造，耐得住光照、视角与风格的变化，语义信息密度更是比 ResNet 那一代高出一个数量级。最直接的影响体现在两个地方：原先做视觉 place recognition 习惯用 NetVLAD 那一套，现在直接拿 DINOv2 patch feature 算个平均池化就能胜出；原先视觉里程计在低纹理白墙面前失效，如今 DINOv2 patch 面对白墙照样能顺利 match。另一边，SuperPoint + SuperGlue（Sarlin 等，2020）那一派同样在进化，LightGlue（2023）更是把推理速度直接拉到了实时水平。

Open-vocabulary semantic mapping。这是过去三年里最热的一条线。

  • CLIP-Fields（Shafiullah、Pinto，2022）把 CLIP feature 烧进一个隐式神经场，让系统能用自然语言查询场景里的位置。输入“sink”这个词，出来的就是场景里水池所在的 3D 位置。
  • OpenScene（Peng 等，CVPR 2023）把每个 3D 点的 feature 跟 CLIP 文本 embedding 逐一对齐，在 ScanNet 上做 zero-shot 3D 分割。
  • ConceptGraphs（Gu 等，2024）迈得更远，把场景拆成 object node，每个 node 带上 CLIP feature 和文本描述，拓扑 graph 上直接跑 LLM query。像“找一个能装下我这只杯子的容器”这种问题，它能在 graph 上推算出来。
  • OK-Robot（Liu 等，Meta + NYU，2024）把 ConceptGraphs 那一套接到了一台真机上，跑通了 pick-and-place 操作。这是第一个让人觉得“open-vocab 语义地图”在家里真的能用的工作。
  • HOV-SG（Werby 等，2024）把分层场景图带了进来，自上而下分出区域、房间与物体三层，规划器可以在不同层做粗细不一的 query。

这一线里要点名的另一个是 VLMaps（Huang 等，2023）。这个工作把 CLIP feature 直接 project 到 2D top-down 地图上，让人在与 occupancy grid 同样的栅格里，就能直接查“沙发在哪”。它的工程直接，部署简单，到 2025 年很多公司内部地图都长成了这个样子。

需要看清的是，这些工作没有哪一个真正替换了 SLAM。它们全都是建立在已经由 SLAM 算出来的几何 backbone 之上，往上叠了一层语义。下层那一套 LIDAR + Cartographer + factor graph 没有任何变化。这件事，恰恰是这一波热潮中最容易被外人误解的地方。

还要再补一个最近的趋势：Gaussian Splatting 在 2024-2025 年挤进了导航这个圈子。3D Gaussian Splatting（Kerbl 等，SIGGRAPH 2023）原本是 graphics 里做新视角合成的工作，但它的副产品是一个稠密、可微、能实时渲染的 3D 表示。SplaTAM（Keetha 等，CVPR 2024）、Gaussian-SLAM 和 MonoGS 把 3DGS 跟 SLAM 焊在一起，让人边跑 SLAM 边建一张 photorealistic 的稠密地图。这件事在仿真闭环（拿真实 splat 当 sim 环境）与远程巡检（远端工程师戴 VR 头盔走进机器人扫出来的 splat 里看现场）上都开始有了产品。只是拿它充当定位 backbone 依然不够 robust，跑长了难免会漂，目前终究还是作为 dense layer，规规矩矩地叠在传统 SLAM 之上。

VLN 这一支则是另一回事。

Vision-Language Navigation 的 setup 是：人给一句自然语言指令（“走出这个房间，往左拐，进第二个有钢琴的房间”），机器人要按这句话从 A 走到 B。这个 task 在学术上对应着 R2R（Anderson 等，2018）、REVERIE（Qi 等，2020）、RxR（Ku 等，2020）、VLN-CE（Krantz 等，连续动作版，2020）这几个 benchmark。

跑 VLN 的环境主要有三个：

  • Habitat（Savva 等，Facebook AI，2019 起到现在 Habitat 3.0）。在 3D 重建场景里运行逼真的 photorealistic agent。
  • Matterport3D（Chang 等，2017）。扫了 90 个真实建筑，是绝大多数 VLN benchmark 的底层数据。
  • ScanNet（Dai 等，2017）。包含 1500+ 室内场景的 RGB-D 扫描，重心更偏向 3D understanding。

学术界在 VLN 这条路上一做就是七年，真实部署直到 2025 年才开始有像样的工作。症结在于仿真器里的视觉 feature 跟真实 RGB 差得太远，这一侧的 sim2real gap，比机械臂抓取那边大得多。

真机部署这一路的转折点，来自 Sergey Levine 团队在伯克利做出的 GNM → ViNT → NoMaD 系列：

  • GNM（General Navigation Model，Shah 等，2022）。在多个机器人平台、多个场景采集的 6000+ 小时数据上训练 goal-conditioned policy，输入当前图像与目标图像，输出 action。
  • ViNT（Visual Navigation Transformer，2023）。把 backbone 换成 transformer，做到了基于 image-goal 的 zero-shot 跨平台泛化。
  • NoMaD（Navigation with goal-Masked Diffusion，2024）。用 diffusion policy 把 exploration 与 goal-reaching 两个过程收进同一个网络里。

这一路方案的核心卖点，在于不需要度量地图（metric map）。给它一张目标图像，它就对着当前画面一步步走过去。网络内部维持着一种隐式拓扑，但绝不显式建图。

这里需要辨清界限：GNM、ViNT 和 NoMaD 并不是 VLN。它们接收的是图像目标而非语言目标。Levine 团队在这件事上格外坦率，他们认为图像目标比文本目标更稳健，因为画面直接抹平了语言里的歧义，省得机器人去猜“那个红色的椅子”到底指哪一把。真想把语言指令接进来，就得在外面再叠一层 VLM，把句子拆解翻译成阶段性的 sub-goal 图像；而这条路线（CoW、LM-Nav 这一线），直到 2025 年才开始出现像样的工作。

说到 VLN 的 sim2real 迁移，还有笔账需要算清楚。像 R2R 或 VLN-CE 这样的基准测试，在 Habitat 仿真器里跑出的成功率（SR，success rate）能到 60-70%，账面听起来很漂亮。可一旦拉到真机上，两年前能做到 20% 就算拔尖，眼下最好的工作也不过 40%。两边的差距并非模型不够强，而是 Habitat 渲染出的视觉特征与真实摄像头采到的 RGB 在色彩分布、模糊度和运动伪影上差得太远；在仿真里训练出来的策略，视觉那一端基本全要重训。这件事第 7 章会讲具体的解法。

讲到这里，该亮出第一个明确的态度了。

度量地图（metric map）与拓扑地图（topological map）的取舍，在传统机器人学界争论了三十年。度量地图给出精确坐标，拓扑地图只提供节点和边。Kuipers 早在 90 年代就用 Spatial Semantic Hierarchy 把分层架构讲透了，但在工业落地上，大家长期坚持跑度量地图，只因连续坐标更利于做精确规划。

进入 LLM 时代，拓扑地图之所以再度回潮，原因有三个。

第一，LLM 天然擅长在由节点与边构成的图上做符号推理，直接塞给它一套精确坐标系，模型反而无从下手。第二，基础模型的视觉 feature 让“两张图是否属于同一地点”的判断不再依赖精确几何匹配（geometric match），单靠特征距离就能判定，拓扑地图里的节点合并难题，头一回有了稳健的解法。第三，在长距离任务里，坐标误差的累积往往极其致命，而拓扑边只关注“能不能从 A 到 B”，对累积误差天生钝感。

像 ConceptGraphs 与 HOV-SG 这一路工作，本质上都在构建分层场景图（scene graph），也就是在拓扑地图的节点上挂载语义属性。走到 2026 年，技术走向愈发明确：底层的 metric SLAM 照旧在跑，但上层的规划，越来越多地交由拓扑与语义图来接管。

这本就是技术该走的方向，LLM 不过是把这个进程催熟了。

下面是这一章要立下的几个硬立场。

立场一：LIDAR 在户外和工业场景依然是默认选项，VLM 与基础视觉在户外充其量只能做辅助。

这条论断在 2026 年依然找不到反例。无论是 Waymo 的 robotaxi、Boston Dynamics 的 Spot，还是 Nuro 与 Agility Digit 在工厂部署的版本，全部跑着以 LIDAR 为核心的 SLAM 与定位栈。视觉模块只负责提取语义（行人、标牌、车道线），机器人的本体位姿（ego pose）绝不靠它。原因并不复杂：室外光照剧烈多变、测距跨度过大、动态物体杂乱，视觉的度量精度根本撑不住；而 LIDAR 给出 ±5 cm 的距离读数，是实打实的物理保证。

如果你接手的任务处于户外或半户外环境（园区、停车场、码头），第一选择依然必须是 LIDAR。为了压低成本，大可挑选固态 LIDAR（Livox、Hesai 的产品单价都已降到几千美金一颗），但千万别指望靠 4 颗 RGB 摄像头搭上 DINOv2 去替代它。那套方案能跑通 demo，却跑不通真实部署。

立场二：家用场景里纯视觉能接管 80%，剩下 20% 则会死在低光、重复走廊和玻璃墙上。

室内的情况刚好同户外反了过来。家庭环境的大部分区域属于强纹理、近距离、光照可控且动态干扰少，纯视觉技术栈能够跑得相当平稳。1X、Figure、Apptronik 这几家面向家用或商用室内场景的人形机器人企业，视觉方案在传感器配置中的比重一直在上升。Figure 的 Helix 公开 demo 里完全看不到 LIDAR；1X NEO 在家庭场景中，走的也是相机阵列方案。

但纯视觉方案在三个特定的家庭子场景里，始终绕不过去：

  • 晚上灯关掉之后。RGB 摄像头在 < 5 lux 下信噪比全线崩溃，DINOv2 那套特征也无济于事。面对这种环境，要么加上红外补光，要么加装一颗低成本 LIDAR，要么干脆提醒用户夜间不要让机器人巡逻。
  • 重复走廊和重复墙面。面对公寓楼里两条近乎相同的过道，纯视觉的地点识别（place recognition）很容易陷入混淆。这种地方要么引入 WiFi RSSI 或 UWB anchor 辅助判定，要么加一颗 LIDAR 靠空间几何结构来打破歧义。
  • 大块玻璃墙。摄像头直接穿透玻璃拍到后方的物体，算法便误以为道路通畅。这类场景 LIDAR 同样会失效，因为 905 nm 激光会直接穿透许多家用玻璃。目前最稳妥的工程解法，是在底盘前端加装超声波传感器或 ToF 相机，在近距离划出物理禁区。

从家庭环境部署中总结出的教训格外明确：硬件上至少要保留一颗超声波传感器或低线数 LIDAR 作为兜底。整机添置一颗 RPLIDAR A1 再配上几颗超声波，成本还不到 100 美金，但它能帮你省下的售后客诉，远不止这点账面支出。

再补一条一线工程摸索出来的经验：WiFi RSSI 指纹定位在公寓楼里其实比想象中好用得多。Google 自己的室内定位技术早在这套逻辑上跑了十几年。住户家里的路由器通常固定不挪窝，扫到的 BSSID 列表本身，就是一份极稳定的“人在哪个房间”的空间指纹。许多家用机器人厂商从不在宣传里大声声张，但悄悄把这层信息叠在视觉栈底下充当先验（prior），早已是行业内公开的秘密。它确实给不出厘米级的高精度，却能在视觉特征飘移时明确告诉你“机器人当下在客厅而非卧室”。单单加上这一层先验约束，全局重定位的搜索空间就能缩小一个数量级。

立场三：SLAM 并没有死，只是外面被包上了一层语义皮。

这是这一章最想彻底钉死的一句话。

市面上有些公司的营销话术常常宣称：“我们直接用 foundation model 做 navigation，不需要 SLAM。”出现这种论调，99% 的原因在于他们的仿真器里地面绝对平整、光照恒定如一，且完全避开了长期定位的需求。一旦把真机放到真实环境里跑上 30 分钟以上，跨过几个房间，碾过地毯与门槛，底座那套 SLAM 该怎么算依然得老老实实怎么算。

仔细翻阅 OK-Robot 的论文，其底层实际运行的依然是 ORB-SLAM3，作者在正文里写得清清楚楚。ConceptGraphs 在跑实验时，依赖的是预先扫描好的精细 mesh，而生成这张 mesh 的前置步骤本身就是 SLAM。VLMaps 同样立足于一个前提：必须先有一张度量地图充当底层 backbone。

新一波所谓的语义地图，无非是叠在传统 SLAM 之上的一层表征（representation）。LLM 与 VLM 进场之后，真正改变的只是给系统套上了一层交互 interface，让你得以用自然语言去 query 这张地图。但在地图底层，从 ICP、scan matching 到 loop closure、bundle adjustment 与 factor graph，经典的几何与优化算法一个都没少。

这件事情的要害，恰恰落在技术选型与团队招聘上。倘若真听信了“SLAM 已经过时”的论调，招来满屋子搞 VLM 的算法工程师，却找不出一个懂得调试 g2o 的人；等到真机部署在客户家中、连续运行半小时后位姿漂了整整 30 cm 时，整个团队将束手无策。在 2026 年的机器人行业里，能够沉下心调试修补 SLAM 系统的工程师，薪资身价远比只会调 VLM 的人昂贵得多。好好珍惜团队里仅有的那几位。

行人和动态障碍物，是导航领域另一个长期悬而未决的硬骨头。

围绕 Social navigation 的探索，从 Trautman 在 2010 年代初提出 IGP 起就一直在做。近些年涌现的 benchmark 包括 CrowdNav（Chen 等，2019）、SocialNav-SF（2022）与 SACSoN（2023）。发展到 NoMaD 这一脉，也开始在采集的数据集里主动加入行人。

走到 2026 年，这依旧是一个未解的 open problem。症结出在三个地方：

  • 行人的行为意图是高度多模态的（要径直走过、要停下脚步、要主动让道，还是要走来搭话），机器人猜错意图的代价极不对称：碰擦到行人的代价，远比多绕两米远严重得多。
  • 文化背景带来的差异极其悬殊。日本街头的行人往往会主动给机器人侧身让道，而纽约的行人可能就直接站在原地看机器人如何应对。单靠一份社交数据集，很难跨场景泛化。
  • 评估指标始终难以达成共识。究竟何为“自然”几乎无法定量，规划轨迹究竟是否得体，往往只能凭 demo 视频的观感来评判，而非靠冰冷的数字指标。

在工业落地上，绝大多数团队目前的策略无非是选择保守：检测到 5 米内有人就降速至 0.3 m/s，距离缩短到 2 米内干脆停下让路，僵持超过 3 秒依然受阻便播放语音提示。这套逻辑谈不上优雅，但胜在安全可靠。未来两年内，这个难题大概率不会被 VLM 端到端一次性解决，而是要靠一份足够大的真实社交数据集配合行为克隆，一步一个脚印地落地。

顺手把一个常被忽略的关口说明白：最后一米。导航栈一路把机器人送到目标点周围 30-50 cm，这最后的临门一脚通常要交回给 visual servoing 或是 manipulation 那一侧的策略。这一段要是出了差错，跟前面整章讲的 SLAM 没什么关系，全是物体识别和精确定位的事。很多人算 navigation success rate 时不把这一米放进去，论文里写着 80% 的 SR，搬进实际产品能用的成功率常常一路跌到 50%，差出来的全在最后关头没能把物体认清楚。看 demo 的时候，眼睛要专门盯着这段。

把视线拉向户外看上一眼，正好拿来做个对照。

Boston Dynamics Spot 的导航栈完全是公开的：前后多颗双目摄像头管近处的 obstacle 避障，LIDAR 负责远距离 mapping，IMU 加上 leg odometry 结算姿态，graph nav 负责地点之间的 topological route。这套 graph nav 跟前面讲过的拓扑地图思路完全一致，但整个系统里没有任何 LLM。至于语义那一块，则是后来 Spot AI 团队往上叠出来的。

Waymo 那套系统自然不在本书的讨论范畴之内，但放出来对照仍有启发：它是工业界把 SLAM 做得最扎实的一家，走的是 HD map、LIDAR localization 配合多传感器融合的路子，定位上完全不依赖 foundation model。VLM 挤进这套系统，也只是用来做场景理解和异常检测的辅助帮手。这件事过去十年没有动摇，未来五年大概也变不了。

摆出这两个例子，无非是要说明一件事：表面上看大模型似乎已经全面接管，可工业界最严肃的一批玩家，底下依然稳稳保留着经典控制栈。家用机器人有充足的理由激进尝试，毕竟容错空间大，对硬件成本也极度敏感；可一旦来到户外或是自动驾驶，没人敢这么赌。

农业与野外巡检同样是一面镜子。Carbon Robotics、Naio 与 John Deere 这批跑在田埂间的农机设备，用的是 RTK GPS、LIDAR 加上视觉 row detection 的混合栈。RTK 在开阔田野里能直接给出厘米级的绝对定位，比任何 SLAM 都要精准。可一旦钻进树荫、温室或是楼宇夹缝，RTK 信号顷刻瓦解，系统必须毫无顿挫地切回 LIDAR 与视觉 SLAM。多源融合下的 health monitoring 机制，在工程上远比 SLAM 算法本身更难处理，工业部署里 80% 的 bug 都出在融合层，而非 SLAM 那一侧。刚入行的新手往往觉得 SLAM 才是最难啃的关卡，做过几年才明白，真正难啃的骨头全在后面。

写到最后，不妨把整章所有判断背后的 meta 立场彻底交代清楚。

这一轮导航浪潮里真正的质变，并不是 SLAM 已经消亡，而是“什么是地图”这件事情的边界被彻底拓宽了。

2018 年之前，所谓的地图不过是一张朴素的 occupancy grid。到了 2020 年，体系里加入了 OctoMap 与 NeRF 这类 dense 表示。2023 年，CLIP-Fields 与 ConceptGraphs 踏入赛场。而站在 2026 年回望，“地图”已经演变成一套复合架构：最底层的 metric grid 依旧坚挺，往上叠着一层由 Gaussian Splatting 构建的 dense 几何，几何之上架起包含场景拓扑的语义图（scene graph），而在最顶端，则留出一个供大语言模型检索调用的 text interface。

每一层架构各自应对一类 query：运动规划器去查 metric 坐标，VLM 去调取 dense 几何，LLM planner 在 scene graph 上做关系推理，最终用户则用自然语言检索 text。这四层结构并行不悖，谁也取代不了谁。

团队招人时，真正要找的是能在这四层架构里都说得上话的人。只守着最底层的工程师在 2026 年依然有饭吃，但个人的天花板已经被死死锁住；只懂最顶层的工程师能搭出漂亮的 demo，可系统一旦实机部署上线就会崩溃。夹在当中的那两层，才是眼下大多数公司最为紧缺的拼图。

千万别被论文标题里的“end-to-end navigation”给蒙住了。放眼真实世界，几乎没有一个做实际产品的导航栈会采用纯端到端方案。即便是 NoMaD 这样走得最激进的前沿探索，真正落地部署时，外层也必须老老实实包上一层避障 safety controller、一层 recovery behavior 加上一层 mission supervisor。把第 1 章那张端到端 vs 分层的判断表挪到导航场景下，90% 的 row 都会倒向分层。导航面对的物理现实恰恰跟抓取相反：耗时长、误差不断累积、失败代价高度不对称（撞人撞物比单纯走错路严重一个量级），几乎每一项特征都在把指针拨向分层体系。这也是为什么行业里最资深的那批老手，对“全端到端导航”的态度普遍十分冷淡。

练习

重看一遍 OK-Robot 的 paper（Liu 等，2024）。这次只读它的 hardware section 和 implementation details，跳过 method。数一数它底下到底跑了哪些“经典”组件，然后回到这一章问问自己：那些看似前沿的“新”工作，究竟有几个其实只是在老栈上面薄薄叠了一层？

找一个你最熟悉的家庭/仓库机器人 demo video。先按“户外 / 室内 / 半户外”给它打上场景标签，再去推测它选用了哪种定位栈（纯视觉 / LIDAR 主导 / 融合）。如果这家公司公开过技术博客，不妨找出来印证自己的判断。要是猜错了，回过头想想究竟是哪一步的直觉判断出了偏差？

画一个你自己项目的“地图分层图”。自底向上逐一梳理：底层 metric SLAM 选什么、要不要引入 dense 几何、scene graph 靠什么构建、最上层的 text query 又该如何接入 LLM。把每一层当前在团队里的负责人白纸黑字标出来。要是发现哪一层根本没人接手，或者大家异口同声说“这个我不懂”，那正是你下一个必须招人的岗位。

找一段你公司或竞品 demo 里机器人在走廊或者家里跑的视频。把视线移向背景里的玻璃门、镜面与长走廊，仔细观察机器人在路过这几处时是否出现过停顿、抖动或是不自然的绕行。在它卡顿挣扎的那几秒钟里，底层的控制栈其实正在毫无保留地告诉你：它究竟跑的是纯视觉，还是背后有 LIDAR 在默默兜底。

下一章：第 6 章 长程任务