Spatial Intelligence

空间智能是指人工智能系统在三维空间中感知、理解和导航物理世界的能力。与通常将二维图像分析为静态快照的传统计算机 vision 不同，空间智能涉及对动态环境中深度、几何、运动以及物体之间关系的推理。它不仅赋予机器“看到”像素的能力，还能理解场景的物理背景，从而使它们能够更有效地与现实世界交互。这种能力是数字视觉数据与物理动作之间的桥梁，也是先进 AI agents 和机器人系统的基石。

空间智能的核心组件#

为了实现类似人类的空间理解，AI 系统依赖于多种相互关联的技术和概念。

• 深度感知与三维重建： 系统必须将来自相机的二维输入转换为三维表示。单目深度估计等技术允许模型从单个图像预测距离，而三维目标检测则有助于识别该空间内物品的体积和方向。
• SLAM（同步定位与建图）： 这使机器人或无人机等设备能够在绘制未知环境地图的同时，追踪其在其中的自身位置。现代方法通常将视觉 SLAM 与深度学习相结合，以提高在不断变化的光照条件下的鲁棒性。
• 几何推理： 除了检测之外，系统还必须理解物理约束——知道杯子放在桌子上，或者必须打开门才能通过。这通常涉及姿态估计来实时追踪物体或人体关节的方向。
• 具身智能： 这一概念将感知与行动联系起来。具身智能体不仅仅是观察；它利用空间数据来规划移动、避开障碍物并操作物体，类似于机器人中的 AI 在制造车间中的运作方式。

实际应用#

空间智能通过使机器能够在复杂环境中自主运行，正在改变各行各业。

• 自主机器人与物流： 在仓储中，机器人利用空间智能穿梭于拥挤的过道，使用目标检测识别特定包裹，并将其精准放置在输送带上。它们必须计算抓取器与箱子之间的空间关系，以确保牢固夹持而不压碎物品。
• 增强现实 (AR) 与混合现实： 智能眼镜等设备使用空间计算将数字内容锚定到物理世界。例如，AR 维护应用程序可能会将修理说明直接叠加到特定的发动机部件上。这需要精确的目标追踪以确保当用户移动头部时图形保持对齐。

空间智能与计算机视觉的对比#

虽然密切相关，但区分空间智能与计算机视觉会很有帮助。计算机视觉是一个更广泛的领域，专注于从数字图像、视频和其他视觉输入中提取有意义的信息。它包括分类或基本的二维检测等任务。空间智能是计算机视觉的一个专业子集或演进，专门添加了空间和物理的维度。它从“这是什么物体？”（视觉）转变为“这个物体在哪里、它朝向如何，以及我如何与它交互？”（空间智能）。

使用 Ultralytics 实现空间感知#

开发者可以使用 Ultralytics Platform 构建空间智能系统的基础。通过在定向边界框 (OBB) 检测或姿态估计等任务上训练诸如 Ultralytics YOLO26 的模型，工程师可以为下游机器人或 AR 应用程序提供必要的几何数据。

以下是使用姿态估计模型提取空间关键点的简单示例，这是理解三维空间内人体运动的关键步骤：

from ultralytics import YOLO

# Load a pre-trained YOLO26 pose estimation model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image to detect human keypoints
results = model("path/to/image.jpg")

# Access the keypoints (x, y coordinates and confidence)
for result in results:
    # keypoints.xy returns a tensor of shape (N, 17, 2)
    keypoints = result.keypoints.xy
    print(f"Detected keypoints for {len(keypoints)} persons.")

Vision Transformers (ViT) 和基础模型的最新进展正在进一步加速这一领域的发展，使系统能够在不需要大量重新训练的情况下跨不同环境泛化空间理解。随着来自斯坦福 HAI 和谷歌 DeepMind 等研究团队的不断探索，我们可以预期空间智能将成为下一代智能设备的标配功能。