室内场景图生成与对象关系推理完全指南

CH-35-07-015·约 16 分钟·前沿技术·更新 2026-08-13

设想你是一位舞台剧导演，第一次走进一间还没布置的空房间。为了排出好戏，你必须做三件事：先环顾四周，认出每一样道具——床、书桌、台灯、椅子；接着判断它们之间怎么摆放——台灯在书桌上，椅子挨着书桌，书桌在床的左边；最后把这些信息画成一张“走位图”，让所有人都能一眼看懂这个舞台。人工智能做“室内场景图生成”，扮演的正是这位导演：物体是演员，空间关系是走位，最终输出一张结构化的“关系剧本”——场景图。这张图不是一张普通照片，而是让机器真正“看懂”房间的语义地图。机器人靠它导航找物、抓取操作，人机交互靠它理解你的指令。本文将从“清点道具”讲到“编排走位”，带你零基础看懂场景图生成的全过程。

岗位关联

一句话价值：场景图是 3D 场景理解从“看见”走向“看懂”的桥梁，掌握它能帮你在机器人、具身智能、空间智能等方向建立起结构化推理的核心竞争力。

可视化演示
场景图基础概念
对象检测定位
关系推理模型
3D场景图构建
数据与评测
应用与挑战
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

通过场景图结构、联合学习管线和机器人导航应用三个维度，动态展示物体检测与空间关系推理的图神经网络方法及其在3D场景理解中的应用。

本节配有交互动效（进入视口后自动加载，约 3KB）。

室内场景图结构物体节点+空间关系边结构化语义表征 Node+Edge=SceneGraph

场景图基础概念

一位导演走进空房间，第一件事不是举起手机拍照，而是拿出纸笔：床在西北角，书桌靠着东墙，台灯摆在书桌上，椅子卡在书桌右侧。他画的不是照片，而是一张“走位图”——谁在哪、谁挨着谁、谁托着谁，全用线条和标签串起来。这张走位图，就是舞台的“关系剧本”。

在 AI 眼里，“走位图”被称为场景图（Scene Graph）。它用一张图概括室内场景：节点是物体实例，边是物体之间的空间或语义关系。普通图像只是一堆像素，机器看到的是颜色和纹理；场景图则把这些像素“翻译”成结构化符号，让机器能像导演一样问出“台灯在什么上面”。

场景图通常写作带标签的有向图。节点可以携带属性，比如类别、位置、尺寸；边则有类型，比如“在……上”“在……旁边”“在……左侧”。一条边配上两端的节点，就构成一个三元组，例如（台灯，在……上，书桌）。识别物体回答“有什么”，加上关系才说清“怎么摆”，这正是场景图相对普通检测的增量价值。

导演的走位图决定整出戏怎么调度，场景图则决定机器怎么理解环境：导航要找“床”、抓取要懂“支撑”，答案都写在这张关系剧本里。有了它，机器才从“看见”走向“看懂”。

G = (V, E), \quad e_{ij} = (o_i, r_{ij}, o_j)

场景图就是一张由物体作节点、关系作边的“关系网”。

节点集合 VV 是场景中所有物体的集合，每个物体是一个节点 o_i，相当于导演手里的演员名单。
$V = \{ o_1, o_2, \dots, o_n \}$
边集合 EE 记录物体之间存在的关系，每条边连接两个节点，相当于走位图上的一条连线。
$E = \{ e_{ij} \mid o_i, o_j \in V \}$
三元组语义e_ij 写成 (o_i, r_ij, o_j)，表示“物体 o_i 与物体 o_j 之间具有关系 r_ij”。
$e_{ij} = (o_i, r_{ij}, o_j)$

对象检测定位

导演清点道具，得先认出每一样东西：那团灰影是床，那四条腿是椅子。AI 的第一步也一样，叫物体检测——找到每个物体画个框，并标出类别。这些检测结果就是场景图的“候选演员”。

在 2D 图片里，检测框是矩形；在 3D 点云里，则是带真实尺度的 3D 包围盒。常见做法是先让卷积网络或点云网络提取特征，再回归出包围盒坐标与类别得分。特征提取得好不好，直接决定后续关系推理的上限。

检测质量如何衡量？最常用的是 IoU（交并比），即预测框与真实框重叠区域占合并区域的比例。IoU 越高，说明框打得越准；超过 0.5 通常算成功命中。这个数字就像导演检查道具摆位是否“严丝合缝”。

道具清点得越准，后面的走位编排才越可信。如果检测把椅子漏掉或框歪了，关系推理就像导演面对一张模糊的演员名单，自然会频频出错。检测是整条流水线的地基。

\mathrm{IoU}(A, B) = \frac{|A \cap B|}{|A \cup B|}

IoU 是两个框重叠面积与总面积之比，接近 1 表示预测框几乎完全贴住真实物体。

求交集面积先计算预测框与真实框重叠部分的面积，3D 情况下则是重叠体积。
$|A \cap B|$
求并集面积再计算两个框覆盖的总面积，等于两者面积之和减去重叠面积。
$|A \cup B| = |A| + |B| - |A \cap B|$
计算比值交集越大、并集越小，比值越接近 1，说明定位越精确。
$\mathrm{IoU} \in [0, 1]$

关系推理模型

导演判断“台灯在书桌上”，不会只看台灯本身——他要看台灯与书桌的相对高差、接触面，以及周围有没有别的物体干扰视线。AI 的关系推理也从来不是“只看一个物体”，而是成对地、结合上下文地看。

关系推理的核心任务：给定两个已检测出的物体 o_i 和 o_j，预测它们之间最可能的关系类别 r_ij。难点在于关系高度依赖语境：同一个“在……上”，发生在杯子与桌子之间，和发生在鸟与树之间，视觉特征完全不同。关系类别体系通常包含“支撑”“旁边”“左”“右”“前方”“后方”等空间谓词。

主流做法是把两个物体的视觉特征 f_i、f_j 与两者的联合空间特征 f_ij 拼接成一个向量，经过全连接层映射，再用 softmax 输出各类关系的概率。更进一步的模型会引入注意力机制或图神经网络，让周围物体“投票”参与当前关系的判断——这就像导演参考整个舞台布景再下结论。

就像导演结合整台布景判断道具走位，关系推理模型也在“群体语境”中做判断。孤立地看两个框永远不够，把邻居信息卷进来，关系才真正“看得懂”。

P(r_{ij} \mid o_i, o_j) = \operatorname{softmax}\left( W\, [\, f_i;\, f_j;\, f_{ij}\, ] \right)

关系概率模型把“两个物体长什么样”和“它们摆得多近”揉在一起，再归一化成各类关系的概率。

特征拼接把物体 i 的特征、物体 j 的特征，以及两者的空间关系特征（相对位置、重叠度等）拼接成一个长向量，表示“这对物体”的整体特征。
$[\, f_i;\, f_j;\, f_{ij}\,]$
线性映射用权重矩阵 W 把拼接向量映射到“关系类别得分”空间，相当于对每个候选关系打一个原始分。
$W\, [\, f_i;\, f_j;\, f_{ij}\,]$
softmax 归一化把原始分数转成一组和为 1 的概率，得分最高的类别就是模型认为的关系。
$\operatorname{softmax}(z_k) = \frac{e^{z_k}}{\sum_l e^{z_l}}$

3D场景图构建

平面走位图贴在纸上，立体舞台却需要纵深：台灯是否真的压在书桌上，椅子是贴着桌子还是隔了半米？从 2D 走向 3D，场景图才获得真实物理约束，机器人也才能靠它规划抓取。

3D 场景图构建的典型流水线：先用 3D 检测与分割从点云中切出物体及包围盒；接着对每个物体对编码空间关系（支撑、邻近、朝向等）；然后让图神经网络在节点之间传递消息，使每个节点的特征吸收邻居信息；最后联合输出物体标签与边关系。

图神经网络（GNN）是构建阶段的核心。每一层，节点把自己的特征发给邻居，同时收拢邻居发来的特征，经加权求和与非线性变换后更新自己。如此迭代几层，每个节点都携带了“局部社会关系”的信息，关系预测自然更准。整个流水线常用多任务损失联合训练：检测损失加上关系损失，让两个目标互相促进。

3D 场景图等于把导演的走位图从平面升级为带真实尺度的立体模型。有了深度、支撑和遮挡信息，机器不再只是“看着像”，而是“物理上站得住”，这正是机器人进入真实房间的前提。

h_i^{(l+1)} = \sigma\!\left( W^{(l)} \sum_{j \in \mathcal{N}(i) \cup \{i\}} h_j^{(l)} \right)

图神经网络的每一层，都是让每个物体“听取周围朋友的意见”后更新自己的表示。

邻域集合N(i)∪{i} 表示物体 i 的所有邻居节点加上它自己，相当于走位图上与 i 直接相连的角色。
$\mathcal{N}(i) \cup \{i\}$
聚合求和把所有邻居的特征向量逐元素相加，完成一次“意见汇总”，把局部布景的集体信息收进来。
$\sum_{j \in \mathcal{N}(i) \cup \{i\}} h_j^{(l)}$
线性变换与激活用权重 W^(l) 对汇总结果做线性变换，再经过非线性激活函数 σ（如 ReLU），得到第 l+1 层的新特征。
$\sigma\!\left( W^{(l)} \sum_{j} h_j^{(l)} \right)$

数据与评测

一出戏好不好，要由评审团打分。场景图模型做得好不好，也要有标准答案。3DSSG（3D Scene Graph）数据集是目前室内 3D 场景图最常用的基准之一，它来自 ScanNet 扫描的数百个真实室内场景，标注了物体的 3D 包围盒和物体间的成对关系。

打开数据统计会发现一个显著特点：关系类别呈长尾分布。“在……旁边”“在……上”这类常见关系样本极多，而“支撑着”“属于”等关系样本稀少。模型很容易只顾头部关系、忽略尾部关系，这也是“关系类别越细越难学”的深层原因。

评测指标上，场景图领域常用 Recall@K：把所有预测关系按置信度排序，取前 K 个，看真实关系命中了多少。K 越大，考核越宽松；还可以在此基础上加“按类别平均”的变体，惩罚只命中高频类别的取巧模型。

评审标准决定了导演努力的方向。长尾分布提醒我们：真正的场景图高手，不是只会说“旁边”和“上面”，而是连冷门关系也能在关键时刻拿到分。

\mathrm{Recall@}K = \frac{1}{|E_{\mathrm{gt}}|} \sum_{e \in E_{\mathrm{gt}}} \mathbb{1}\!\left\{ e \in \hat{E}_K \right\}

Recall@K 告诉我们：模型排在最前面的 K 条关系里，到底抓住了多少句“标准台词”。

预测排序模型对所有候选三元组按置信度从高到低排序，就像导演把最认可的走位先列出来。
$\text{候选三元组按置信度降序排列}$
截取前 K 个只保留前 K 条预测，构成集合 E_hat_K，K 是评审团允许的“答题额度”。
$\hat{E}_K = \{ \text{置信度最高的前 } K \text{ 条预测} \}$
平均命中率逐一检查真实关系 e 是否落在前 K 条里，命中记 1，最后对所有真实关系取平均，得到 0 到 1 之间的得分。
$\frac{1}{|E_{\mathrm{gt}}|} \sum_{e \in E_{\mathrm{gt}}} \mathbb{1}\{ e \in \hat{E}_K \}$

应用与挑战

彩排做得再好，也要登上真实舞台。场景图从论文走向产品，最活跃的舞台是机器人。服务机器人靠场景图构建语义地图：它知道哪里有“床”、哪里有“门”，导航时不再盲目避障，而是带着语义找路。

抓取规划则受益于关系中的“支撑链”：要拿起书桌上的杯子，先要知道杯子被什么支撑，会不会带倒旁边的台灯。人机交互同样需要场景图：你说“帮我把沙发旁的灯打开”，机器得先把自然语言里的关系词解析到场景图节点上，才能锁定时体。

然而公演总有意外。开放世界的类别远超训练数据，长尾关系依旧难学，动态场景中物体随时在移动，真实传感器噪声也会让检测与关系双双退化。如何用自监督、大模型与在线学习补齐这些短板，是通往“空间智能”这一更大蓝图的关键挑战。

导演终其一生都在应对舞台上的意外，机器也一样。场景图给了它一份结构化剧本，让它在复杂真实世界里可以推理、可以预演、可以从容应对，这正是空间智能与通用 AI 探索中最踏实的台阶。

\text{任务成功率} = \frac{\text{成功次数}}{\text{总尝试次数}}

衡量一个机器人在真实环境中好不好用，最终看任务成功率——这是场景图能力的“终极公演评分”。

统计成功次数在 N 次真实任务（如“把杯子放到书桌上”）中，记录机器人完全成功的次数。
$\text{成功次数} = \sum_{i=1}^{N} \mathbb{1}\{ \text{第 } i \text{ 次任务成功} \}$
计算比例用成功次数除以总尝试次数，得到 0 到 1 之间的成功率，作为端到端能力的考核。
$\text{成功率} = \frac{\text{成功次数}}{N}$

AI 应用场景

服务机器人语义导航

阶段：感知与语义建图

解决的问题：传统导航把环境当成“障碍物集合”，只回答“哪里有路”，回答不了“床在哪里”。场景图生成把原始点云升级成带关系的语义地图，让机器人能把用户指令映射到具体物体节点，实现“找物式”导航。

具体案例：某酒店送物机器人入住前先扫描客房，实时构建场景图。客人说“把水放到床头柜上”，机器人先在场景图中检索“床头柜”节点，再规划路径并完成放置，全程避开床、椅子等障碍物。

机械臂抓取与操作

阶段：决策与规划

解决的问题：抓取不只是“伸手去拿”，还要判断物体间的支撑与遮挡关系。场景图中的支撑链让机械臂提前预判“抽走桌布会不会带倒杯子”“先拿上面的玩偶还是先拿下面的书”。

具体案例：家务机器人面对堆叠的餐盘，先读取场景图确认每个盘子的支撑关系，按“自上而下”顺序抓取，避免强行抽拉导致整体倒塌；抓取失败时还会更新场景图状态，重新规划。

人机交互与视觉助手

阶段：多模态理解与任务执行

解决的问题：自然语言指令充满关系词：“左边的”“上面的”“旁边的”。传统视觉问答只能“看图说话”，无法精确指代对象。场景图提供可查询的关系索引，让“指代消解”从猜测变成查表。

具体案例：视障辅助眼镜实时构建室内场景图，用户询问“我右手边的椅子在哪”，系统在图中找到与“用户右侧”匹配的椅子节点，生成语音引导并提示距离与方向。

Python 演示

python81 行

"""从3D包围盒构建室内场景图, 并用规则基线评测关系预测效果"""import itertools # 物体名 -> 3D包围盒 (xmin, ymin, zmin, xmax, ymax, zmax), y 轴竖直向上OBJS = {    "table": (0.0, 0.0, 0.0, 2.0, 1.0, 1.0),    "chair": (2.2, 0.0, 0.1, 2.8, 0.9, 0.8),    "lamp":  (0.7, 1.0, 0.3, 1.0, 1.9, 0.6),    "book":  (0.4, 1.0, 0.2, 0.9, 1.05, 0.5),    "sofa":  (-0.3, 0.0, -2.2, 1.5, 0.8, -0.2),} # 真实关系三元组: (主语, 谓语, 宾语), 表示 主语 谓语 宾语GT = [    ("lamp", "on", "table"),    ("book", "on", "table"),    ("chair", "right", "table"),    ("sofa", "behind", "table"),]  def center(box):    return ((box[0] + box[3]) / 2.0, box[1], (box[2] + box[5]) / 2.0)  def overlap_xz(a, b):    ox = min(a[3], b[3]) - max(a[0], b[0])    oz = min(a[5], b[5]) - max(a[2], b[2])    return max(0.0, ox) * max(0.0, oz)  def base_area(box):    return (box[3] - box[0]) * (box[5] - box[2])  def predict_relation(a, b):    """预测 a 相对 b 的关系: on / right / left / behind"""    if abs(a[1] - b[4]) < 0.1 and overlap_xz(a, b) > 0.5 * base_area(a):        return "on"    ax, az = center(a)[0], center(a)[2]    bx, bz = center(b)[0], center(b)[2]    if abs(ax - bx) > abs(az - bz):        return "right" if ax > bx else "left"    return "behind" if az < bz else "nothing"  def build_graph(threshold=1.8):    """只对水平距离较近的物体对预测关系, 输出场景图三元组"""    edges = []    for a, b in itertools.permutations(OBJS, 2):        ax, az = center(OBJS[a])[0], center(OBJS[a])[2]        bx, bz = center(OBJS[b])[0], center(OBJS[b])[2]        if (ax - bx) ** 2 + (az - bz) ** 2 > threshold ** 2:            continue        rel = predict_relation(OBJS[a], OBJS[b])        if rel != "nothing":            edges.append((a, rel, b))    return edges  def evaluate(edges):    gt_set = set(GT)    hits = sum(1 for e in edges if e in gt_set)    recall = hits / float(len(gt_set))    precision = hits / float(len(edges))    print("预测三元组数: %d" % len(edges))    print("命中真实关系: %d / %d" % (hits, len(gt_set)))    print("召回率: %.2f, 精度: %.2f" % (recall, precision))  def main():    edges = build_graph()    print("==== 室内场景图(规则基线) ====")    for sub, rel, obj in sorted(edges):        print("%s -[%s]-> %s" % (sub, rel, obj))    print("==== 与人工标注对比 ====")    evaluate(edges)  if __name__ == "__main__":    main()

目的：用几何规则从 3D 包围盒推理物体间关系并构建场景图，再用人工标注评估召回率与精度，直观感受“规则基线”的强项与短板。

OBJS = {...}定义 5 个室内物体的 3D 包围盒，相当于导演的“道具清单”。
GT = [...]人工标注的真实关系三元组，是评审团的“标准答案”。
def predict_relation(a, b)用几何启发式判断 a 相对 b 的关系：先查“支撑”，再看水平与纵深方向。
if abs(a[1] - b[4]) < 0.1 and overlap_xz(...)物体底面贴近另一物体顶面且水平重叠足够大，判定为“在……上”。
def build_graph(threshold=1.8)只对水平距离较近的物体对预测关系，模拟真实场景图的稀疏连边。
for a, b in itertools.permutations(OBJS, 2)遍历所有有序物体对，因为“椅子在桌子左边”与“桌子在椅子右边”是两条不同关系。
if rel != "nothing": edges.append((a, rel, b))只有预测出有效关系才连边，像导演只在有走位的地方画线。
def evaluate(edges)用“命中数 / 真实数”算召回率，用“命中数 / 预测数”算精度。
hits = sum(1 for e in edges if e in gt_set)统计预测三元组中命中标准答案的条数。
if __name__ == "__main__": main()程序入口，直接运行即可看到场景图与评测结果。

常见误区

误区物体检测已经能告诉我房间里有什么，再在框和框之间画几根线，不就是场景图了吗？感觉只是把检测结果换了个名字。

正解检测与场景图的最大差别在“关系”二字。场景图的每条边都是一个需要学习的语义或空间判断——“支撑”“属于”“在……左边”无法靠画线完成。好比导演清点完道具，若不编排走位，演员名单永远不是剧本。丢到下游任务里，没有关系的图几乎帮不上机器人抓取或导航。

为何常见：因为检测输出的框加类别与场景图的节点长得几乎一样，视觉上的相似掩盖了“关系推理”这一层本质新增。

误区台灯在书桌上，用 y 坐标一比就能判断；关系推理没必要上模型，写几条 if-else 就够了。

正解简单几何规则在“接触支撑”这类情况下有效，但面对“旁边”“前方”“里面”等语义关系，几何阈值在不同场景、不同尺度下千差万别；同类关系还常有视觉歧义。学习型模型能从海量数据中学到规则无法穷举的判别模式，正如导演对走位的判断来自经验而非一把尺子。

为何常见：因为少量启发式规则在简单样例上表现不错，让人误以为数据里全是这种“可手写”的规律。

误区给 2D 检测结果配上深度图，再照搬原来的关系推理，输出的不就是 3D 场景图了吗？

正解3D 场景图要求真实的 3D 包围盒、相机位姿与几何一致性，节点和边的语义都建立在三维物理之上；支撑、遮挡、空间包含等关系在 2D 中本就模糊。简单“贴深度”无法处理被遮挡物体和尺度漂移，必须重新设计检测、分割与关系编码的整个管线。

为何常见：因为加了深度的可视化“看起来”已经很立体，容易让人低估几何一致性带来的实际难度。

误区关系种类定义得细一点，模型显得更聪明，比如把“旁边”拆成“左侧”“右侧”“前方”“后方”，这肯定能提升能力。

正解关系类别越细分，样本越稀疏，长尾越严重，模型越难学，评测也越不稳定。真实系统往往在“判别粒度”与“数据支撑”之间取舍——正如剧本不能给每个龙套都写独白，否则主角反而没戏。合理做法是保留高频粗粒度关系，对稀有细粒度关系做层级化处理。

为何常见：直觉上“更细等于更智能”，忽略了监督学习对样本分布的硬性依赖。

面试题

Q1. 场景图中“节点”表示什么？

单选题 · easy

A.场景中的物体实例← 正确答案
B.图像的单个像素
C.相机的内外参数
D.数据库的索引字段

答案：A。场景图的节点就是“演员名单”上的物体实例，每个检测框对应一个节点；像素、相机参数和数据库字段都不是场景语义的载体。

Q2. 场景图中“边”的主要作用是什么？

单选题 · easy

A.描述物体间的空间或语义关系← 正确答案
B.标出图像边缘的像素位置
C.记录场景的光照方向和强度
D.保存物体的三维网格顶点

答案：A。边是走位图上的连线，记录“谁和谁是什么关系”；图像边缘、光照和网格顶点都与场景图结构无关。

Q3. 下列哪项最适合衡量检测框与真实框的重合程度？

单选题 · easy

A.交并比 IoU← 正确答案
B.交叉熵损失
C.均方误差 MSE
D.KL 散度距离

答案：A。IoU 等于交集除以并集，直观反映两个框贴得多紧，是检测任务的标准度量；交叉熵、MSE 和 KL 散度多用于分类或分布拟合，不直接衡量框的重叠。

Q4. 关系推理中“上下文建模”的核心思想是什么？

单选题 · mid

A.借助其他物体信息辅助判断← 正确答案
B.只利用单个物体的外观特征
C.对每个物体独立做出判断
D.放弃空间位置只用颜色信息

答案：A。像导演结合整台布景看走位一样，关系推理需要用邻居物体的特征与空间线索来消解歧义；只看单个物体或丢弃空间信息，会让“在……上”和“在……旁”难以区分。

Q5. 3D 场景图相比 2D 场景图的优势包括哪些？

多选题 · mid

A.提供真实尺度支持抓取规划← 正确答案
B.更容易判断支撑与遮挡关系← 正确答案
C.完全不需要物体检测操作
D.无需考虑相机位姿对齐

答案：AB。3D 包围盒自带真实尺度，支撑、遮挡也有物理依据，对抓取和导航更友好；但构建 3D 场景图仍然依赖检测分割，并且必须做相机位姿对齐，C 和 D 都不符合实际。

Q6. 图神经网络消息传递中，节点特征更新的一般形式是什么？

单选题 · hard

A.聚合邻居特征并经非线性变换← 正确答案
B.对每个节点独立做池化操作
C.仅更新边权不更新节点特征
D.用全连接层直接分类整张图

答案：A。GNN 每一层都让节点“听取周围朋友的意见”——先聚合邻居特征，再做线性变换与激活；B 是独立池化、C 只改边、D 是整图分类，都不符合逐层消息传递的定义。

Q7. 室内场景图生成面临的主要挑战有哪些？

多选题 · hard

A.关系类别呈长尾分布← 正确答案
B.同类关系存在视觉歧义← 正确答案
C.数据集中所有关系等频出现
D.物体检测结果完全准确无误

答案：AB。真实数据里“旁边”“上面”占大头、稀有关系样本少，且同样一句“在……上”在不同物体组合下视觉差异巨大；C 与事实相反，D 是理想假设而非现实挑战。

Q8. Recall@K 指标衡量的是什么？

单选题 · mid

A.前 K 个预测对真实关系的召回率← 正确答案
B.模型参数量的大小和内存开销
C.数据集中物体的总数和多样性
D.场景图像素分辨率的水平高低

答案：A。Recall@K 相当于评审团只允许导演展示 K 条走位，看真实关系被覆盖的比例；它考核的是“预测质量与排序能力”，与参数规模、数据量、像素无关。

Q9. 3DSSG 数据集主要提供什么？

单选题 · easy

A.室内场景的 3D 扫描与关系标注← 正确答案
B.互联网爬取的图片分类标签
C.纯文本的物体描述文档资料
D.音频场景的波形标注数据

答案：A。3DSSG 来自真实室内扫描，包含物体 3D 包围盒与成对关系标注，是训练和评测 3D 场景图的基准；它不涉及图像分类、文本或音频。

Q10. 场景图在机器人领域的典型应用有哪些？

多选题 · mid

A.导航时理解环境语义结构← 正确答案
B.抓取前推断物体支撑关系← 正确答案
C.识别物体后直接忽略关系
D.用关系图谱进行人机对话← 正确答案

答案：ABD。场景图让导航“带着语义找路”，让抓取“按支撑链顺序操作”，让人机交互“把语言关系解析到节点”；识别后忽略关系等于把导演辛苦排的走位扔掉，显然不是应用方式。