基于自我裁决的场景体素视觉闭环一种不同于传统机器视觉的空间认知方案当我们谈论机器视觉时通常会想到识别、检测、分割、跟踪、三维重建或 SLAM。相机采集图像算法从图像中提取目标再把结果交给上层系统使用。这是一条典型的“输入 - 识别 - 输出”链路。但如果目标不是让系统“看见一个物体”而是让一个持续行动智能体逐步形成对当前世界的稳定理解这条链路就不够了。因为真正的问题不只是相机看到了什么而是这些观察材料是否稳定 它们能否被复验 它们是否足以形成候选事实 候选事实由谁裁决 已经确认的存在如何反过来帮助下一轮观察 当前场景中的未知、遮挡、冲突和风险如何被表达这正是“基于自我裁决的场景体素视觉闭环”要解决的问题。一、相机不是认识世界的主体在这套结构中相机外设并不直接“认识世界”。相机负责提供观察材料例如深度图、彩图、点云、轮廓、局部体素、视野范围和时间戳。它可以提高数据质量可以做预处理也可以生成候选线索但它不能直接宣布这里存在一个物体。 这个物体就是某个已知存在。 这个事实已经进入世界模型。原因很简单输入不是事实。一次图像识别结果可能来自遮挡、反光、噪声、错位、角度误差或短暂误判。如果外设层直接写入事实系统内部的世界就会被不稳定输入污染。所以外设层的职责应当被严格限定为提供稳定、可复现、可回查的观察证据。它是感官器官不是事实裁判。二、中间层生成候选不直接写事实外设材料进入视觉中间层后系统可以进一步生成观察候选。例如某一区域可能存在一个实体 某个轮廓可能属于一个已知存在 某个空间位置可能被占据 某个区域可能被遮挡 某个目标在当前角度下应当可见却没有出现 某个深度结果与已知体素发生冲突。这些都很重要但它们仍然只是候选。视觉中间层的价值不在于替代自我判断而在于把原始感官材料整理成可判断的结构观察候选 局部体素 可见性解释 遮挡解释 自由空间冲突 候选与先验的匹配度 下一步观察缺口这使系统不再只是“识别到了什么”而是能够说明“为什么认为这里可能有什么”“还缺什么证据”“下一步应该看哪里”。三、自我侧裁决事实候选要成为事实必须进入自我侧的裁决链条。这里的关键边界是外设供包 中间层生成候选 自我组织任务 提交入口裁决事实。也就是说观察、扫描、跟踪、识别等方法不是简单的图像算法而是自我侧用来处理世界事实的能力。一个候选是否可以入账要看它是否满足稳定性、复验性、来源、归属、边界和当前任务条件。例如是否连续观察到 是否与已知存在体素一致 是否存在禁合并证据 是否只是遮挡导致的缺失 是否需要换角度复验 是否能进入当前场景账本 是否足以更新长期存在事实这一步使视觉系统从“识别系统”变成“事实治理系统”。四、存在体素与场景体素这套方案中有两个容易混淆的概念存在体素和场景体素。存在体素表示已经入账的存在在空间中的稳定表达。它更接近“某个存在自身的空间结构”。场景体素则是当前场景中的运行期心像缓存。它不是长期事实本身而是当前场景下对空间的组织结果。它可以表达哪些区域被占据 哪些区域可通行 哪些区域未知 哪些区域被遮挡 哪些地方存在风险 哪些存在之间可能接触、支撑、包含或阻挡 当前相机视野中哪些东西应该被看见。因此场景体素更像一个临时的空间沙盘。它服务于当前观察、行动、路径、风险和显示而不是替代世界树中的长期事实。五、已知世界反向增强下一轮观察这套结构最有辨识度的地方是已确认的存在和当前场景心像会反过来帮助下一轮观察。传统视觉系统通常从图像出发图像 - 检测 - 识别 - 结果而这里形成的是闭环已确认存在 ↓ 生成存在体素 当前场景 ↓ 生成场景体素 场景体素与相机视野结合 ↓ 形成只读先验和可见性解释 新一轮观察材料 ↓ 与先验比较发现一致、冲突、遮挡或缺口 自我侧裁决 ↓ 更新事实账本或派生新的观察任务这就是“越看越清晰”的工程含义。不是因为系统神秘地理解了世界而是因为它把每一轮观察都放进了已有空间结构中比较、解释和复验。六、它和已有理论的关系这套方案并非没有理论邻近物。它和预测式处理、主动推理、主动视觉、SLAM、占据栅格、语义地图、3D 场景图、认知地图、机器人世界模型都有相邻关系。预测式处理解释了“内部模型如何影响感知”。主动视觉解释了“系统为什么要主动换角度、靠近、扫描或复验”。SLAM 和占据栅格解释了“空间如何被持续更新”。3D 场景图解释了“物体、区域、关系如何层级组织”。认知地图解释了“智能体如何形成当前环境的空间心像”。机器人世界模型解释了“系统如何用内部世界表达支撑行动”。但这套结构的重点不只是地图也不只是预测而是把视觉放进一个更大的治理链条中证据稳定 候选生成 自我裁决 事实入账 场景心像 下一轮观察增强所以它更适合被称为基于自我裁决的场景体素视觉闭环七、为什么这条边界重要如果没有这条边界系统很容易犯三个错误。第一把外设识别结果当事实。第二把短期场景缓存当长期世界模型。第三把算法运行成功当作需求满足。而在持续行动智能体中这三件事必须分开。相机看见只是输入出现。候选生成只是判断材料形成。自我裁决才是事实能否入账。场景体素只是当前心像。长期事实必须回到存在、特征、特征值、来源、条件和可追踪证据。结语基于自我裁决的场景体素视觉闭环本质上不是一个单纯的视觉算法而是一种空间认知治理结构。它要求外设保持谦逊只提供证据要求中间层保持克制只生成候选和解释要求自我侧承担事实裁决要求存在体素和场景体素只作为下一轮观察的只读先验而不是绕过观察的新事实来源。这套结构的价值不在于宣称系统已经“理解世界”而在于给出一条更稳健的路径让系统在持续观察中逐步形成可复验、可裁决、可更新的当前世界心像。
