空间记忆使智能体能够长期保存和回忆环境结构信息，认知地图是其内部表征的核心形式。以海马体启发的记忆模型为理论基础，文章讨论了拓扑地图与度量地图的构建算法、记忆更新策略以及认知地图在持续导航和回环检测中的关键作用，并讨论了当前面临的技术挑战与未来发展方向。

学习提示

需要学习空间记忆与认知地图构建，跟踪最新论文和趋势是研究员的核心工作。本篇涵盖AGI/世界模型/脑机接口/前沿论文，帮助你跟踪AI前沿趋势。

目录
  1. 可视化演示
  2. AI 应用场景
  3. Python 演示
  4. 常见误区
  5. 面试题

可视化演示

状态—

空间记忆使智能体能够长期保存和回忆环境结构信息，认知地图是其内部表征的核心形式。以海马体启发的记忆模型为理论基础，文章讨论了拓扑地图与度量地图的构建算法、记忆更新策略以及认知地图在持续导航和回环检测中的关键作用，并讨论了...

海马体导航仪

老司机的脑内地图不是天生就有的，它靠一套精密的“记忆硬件”支撑——海马体。就像你记住“饺子馆门口右转”需要把视觉地标和运动方向绑定，海马体通过两类关键神经元完成这件事：位置细胞（Place Cell）和网格细胞（Grid Cell）。前者像“地标打卡器”，当你经过某个特定地点时，对应的位置细胞会兴奋放电；后者像“脑内坐标纸”，按周期性网格放电，帮你估算“离刚才那个路口还有多远”。

在算法世界里，位置细胞的激活模式可以抽象为一种“高斯感受野”模型：每个位置细胞负责空间中的一小片区域，离这片区域中心越近，放电越强。用公式表达就是：

这个公式的含义很直观：智能体当前坐标 $x$ 离细胞中心 $c_i$ 越近，激活值 $p(x)$ 越接近 1；离得越远，激活值指数级衰减到接近 0。

p(x)=exp⁡(−∥x−ci∥22σ2)p(x) = \exp\left(-\frac{\|x - c_i\|^2}{2\sigma^2}\right)
  1. 网格间距 $\lambda_k$不同尺度的网格细胞拥有不同的间距，共同构成“多尺度坐标纸”。
    λk=λ0×2k\lambda_k = \lambda_0 \times 2^k
  2. 相位偏移 $\mu_k$每张坐标纸相对原点有一个平移，让不同细胞覆盖不同区域。
    g(x)=cos⁡(2πλk(x−μk))g(x) = \cos\left(\frac{2\pi}{\lambda_k}(x - \mu_k)\right)
  3. 求和符号 $\sum_k$把多个尺度的周期性响应叠加，形成稳定的度量编码。 回到老司机的比喻：他脑中既有一串“地标打卡器”（位置细胞）告诉他“这条街是人民路”，还垫着一层看不见的“坐标纸”（网格细胞）让他估算“人民路到中山路大概还有600米”。空间记忆的底层硬件，就是这么一套双系统组合。
    gtotal(x)=∑k=0Kgk(x)g_{\text{total}}(x) = \sum_{k=0}^{K} g_k(x)

脑中的两张地图

有了记忆硬件，还得有“画纸”。老司机脑子里的城市图有两种画法：一种是手绘的公交线路图——只关心站点之间怎么接、乘几站，不关心精确距离；另一种是 GPS 精密地图——连车道偏移、路口弧度都标得清清楚楚。认知地图的两种典型表征正是拓扑地图与度量地图。

拓扑地图把环境抽象为一张图：节点代表地点，边代表“能直接到达”。它小巧、抗噪，擅长表达连接性，但缺少精确尺度。形式化表示就是一张图结构：

其中 $V$ 是节点集合，$E$ 是边集合。拓扑地图回答“哪和哪连着”，不回答“具体距离是多少”。

G=(V,E)G = (V, E)
  1. 栅格索引 $(i,j)$把环境切分成均匀小格子，每个格子有唯一编号。
    M[i][j]∈{0,1,0.5}M[i][j] \in \{0, 1, 0.5\}
  2. 状态含义0 表示确认可通过，1 表示有障碍，0.5 表示尚未探索。
    mij=0.5⇒unknownm_{ij} = 0.5 \Rightarrow \text{unknown}
  3. 存储开销分辨率越高，格子越多，内存与更新成本越大。 实际系统不会只用一种画法——老司机既记得公交线路（拓扑），也记得某条路的车道宽度（度量）。混合表征方案应运而生：拓扑图负责长期记忆与快速规划，度量地图负责局部精细避障与位姿追踪。两种画法互为补充，才是完整的认知地图。
    cost=O(W×H)\text{cost} = O(W \times H)

边走边画的建图术

认知地图不是一次性画好的，而是老司机边开车边“画画”。每路过一个新路口，就在脑中加一个节点；每走通一条连接，就加一条边。这套“边探索边建图”的流程，对应算法领域的增量式建图。

不过，边画边走的代价是会“画歪”——车轮打滑、里程计噪声、转角估算偏差，都会让新画的路段与老路段错位。这时就需要图优化（Graph Optimization）把整张图“捋直”。它把所有节点位姿当作变量，把所有观测当作约束，寻找一组让总误差最小的位姿：

这个公式是认知地图“校正”的核心引擎：把每个测量残差在协方差矩阵的加权下平方求和，用最小二乘的思想找到最自洽的地图布局。

X∗=arg⁡min⁡X∑ij∥zij−h(Xi,Xj)∥Σij2X^* = \arg\min_{X} \sum_{ij} \left\| z_{ij} - h(X_i, X_j) \right\|^2_{\Sigma_{ij}}
  1. 节点位姿 $X_i$地图中第 $i$ 个位置节点的坐标与朝向，是待优化变量。
    Xi=(xi,yi,θi)X_i = (x_i, y_i, \theta_i)
  2. 实际观测 $z_{ij}$智能体在节点 $i$ 处“看到”节点 $j$ 的测量值，比如激光测距、视觉相对位姿。
    zij∼N(h(Xi,Xj),Σij)z_{ij} \sim \mathcal{N}(h(X_i, X_j), \Sigma_{ij})
  3. 预测函数 $h(X_i, X_j)$从当前位姿估计推算出的“应该看到什么”。
    h(Xi,Xj)=Xi⊕Xjh(X_i, X_j) = X_i \oplus X_j
  4. 协方差加权 $\Sigma_{ij}$测量越可信，权重越大；噪声越大的观测，对优化的影响越小。 闭环修正策略则是在发现“走回老地方”后，把这条闭环边也丢进优化器，一次性调整全局所有节点，让首尾误差分配开来，而不是只改最后一步。回到比喻：老司机某天突然发现新修的立交桥与老地图对不上，他不会只记一条补丁，而是把脑内整片路网的相对关系重新捋一遍。这就是图优化与闭环修正的意义——认知地图不是“贴补丁”，而是“全局重排”。
    ∥e∥Σ2=e⊤Σ−1e\left\| e \right\|^2_{\Sigma} = e^{\top} \Sigma^{-1} e

大脑的整理术

记忆不是刻录光盘：司机不会把每天跑过的每寸路都永久存档，真正有用的路线会越来越清晰，极少走的小路会慢慢模糊。认知地图的更新同样遵循一套“整理术”。

第一步是短时转长时。智能体刚观测到的位置信息先进入短期缓冲（类似工作记忆），经过反复确认或多帧验证后才写入长期地图结构。第二步是经验重放（Experience Replay）——这直接借鉴了哺乳动物睡眠时海马体重放白天活动轨迹的神经机制。重放不是简单地回看录像，而是把抽取出的路线样本拿来反复“温习”，强化与新地图的一致性。数学上，记忆更新的核心迭代可以写作：

$w$ 是记忆参数（比如拓扑节点的置信度），$\alpha$ 是学习率，$\delta$ 是预测误差信号，$e$ 是资格迹（eligibility trace）。误差越大、越“该记”，更新幅度越大。

w←w+α⋅δ⋅ew \leftarrow w + \alpha \cdot \delta \cdot e
  1. 记忆参数 $w$地图中某个节点或边的置信度、位置修正量。
    w=(wx,wy,wconf)w = (w_x, w_y, w_{\text{conf}})
  2. 学习率 $\alpha$控制一步更新多大幅度，太大易震荡，太小学得慢。
    α∈(0,1)\alpha \in (0, 1)
  3. 误差信号 $\delta$当前观测与记忆预测的差。比如地图说“这里该是墙”，传感器却显示“这里是路”，差值就产生。
    δ=observation−prediction\delta = \text{observation} - \text{prediction}
  4. 资格迹 $e$标记“这条记忆最近被激活过”，让更新集中发生在与当前经验相关的路径上。 与此同时，遗忘与巩固保证地图不会无限膨胀：低访问频率的节点定期清理，高访问频率的节点加强连接。这不是缺陷，反而是认知地图保持长期可用性的关键——就像老司机不用记每栋楼的门牌号，只记生意最好、最常去的几条街。
    e←γ⋅e+1e \leftarrow \gamma \cdot e + 1

永不迷路的AI司机

有了会自我更新的认知地图，AI 就能像老司机一样持续导航，核心任务有三个。

路径规划是在认知地图这张图上求一条最优路径。拓扑地图天然适合做“粗粒度规划”，度量地图再提供“精粒度可行性校验”。经典最短路径思想可以写成：

$d(v)$ 表示起点到节点 $v$ 的最短距离，$\text{prev}(v)$ 是 $v$ 的前驱节点集合，$w(u,v)$ 是边权重。整个式子就是在说：到 $v$ 的最短路，必须经过某个前驱 $u$，而且从起点到 $u$ 的路也是最短的。

d(v)=min⁡u∈prev(v){d(u)+w(u,v)}d(v) = \min_{u \in \text{prev}(v)} \{ d(u) + w(u, v) \}
  1. 前驱节点集合 $\text{prev}(v)$所有能直接走到 $v$ 的邻居。
    prev(v)={u∣(u,v)∈E}\text{prev}(v) = \{ u \mid (u, v) \in E \}
  2. 边权重 $w(u,v)$从 $u$ 到 $v$ 的距离或代价，度量地图提供数值，拓扑地图提供连通性。
    w(u,v)=∥pos(u)−pos(v)∥w(u,v) = \| \text{pos}(u) - \text{pos}(v) \|
  3. 递推最小化不断用“前驱的最优解+一步代价”刷新当前节点，直到收敛。 位姿追踪则负责回答“我现在在哪”：机器人通过里程计、IMU、激光或视觉数据的融合，不断更新自己在认知地图中的坐标。没有地图时这叫定位，有了地图再叠加运动模型，就形成了闭环的“定位+建图”系统。探索与利用是选址策略上的权衡：老司机不需要探索时直奔目的地（利用），遇到封路时果断切换备选方案或绕行未知区域（探索）。认知地图的价值正在于此——既有存量路线可“利用”，又有空白的拓扑节点支线可“探索”。
    d(v)=min⁡u{d(u)+w(u,v)}d(v) = \min_u \{ d(u) + w(u,v) \}

熟悉的转角

“诶，这不是刚才那条街吗！”——这种突如其来的熟悉感，在机器人的认知地图构建中对应着至关重要的回环检测（Loop Closure Detection）。

回环检测的第一步是场景识别：把当前传感器看到的画面与历史访问过的地点做相似度比对。视觉场景可以用特征描述子向量表示，两个场景的相似度通过余弦相似度计算：

$v_p$ 和 $v_q$ 分别是两个地点对应的特征向量。余弦相似度越接近 1，说明两个场景越像，越有可能是“同一个地方”。

S(vp,vq)=vp⋅vq∥vp∥ ∥vq∥S(v_p, v_q) = \frac{v_p \cdot v_q}{\|v_p\| \, \|v_q\|}
  1. 特征向量 $v_p$ 与 $v_q$从图像或点云中提取的紧凑描述，是对场景的“指纹”。
    vp=(f1,f2,…,fn)v_p = (f_1, f_2, \dots, f_n)
  2. 向量点积 $v_p \cdot v_q$衡量两个指纹在方向上的重合程度。
    vp⋅vq=∑i=1nfp,i⋅fq,iv_p \cdot v_q = \sum_{i=1}^{n} f_{p,i} \cdot f_{q,i}
  3. 模长归一化 $\|v_p\| \, \|v_q\|$消除亮度、尺度等无关因素，只关注“形状相似性”。 光像还不够，第二步是几何验证：用 RANSAC 等方法寻找两个场景点集之间的几何变换，排除“看起来像但其实不是”的误检。第三步是全局一致性优化：把回环边作为强约束加入图优化器，一次性调整所有位姿，让地图头尾对齐。这正是前面可视化演示中的一幕：当红色智能体重新靠近起点，绿色虚线圈出闭环，认知地图的全局漂移被瞬间拉回正轨。老司机之所以能在陌生城市开一天车还不迷路，靠的正是这种“熟悉的转角”带来的校准时刻。
    S∈[−1,1]S \in [-1, 1]

从记住路到想象路

再资深的老司机也有失手的时候：城市改造、修路、新商场拔地而起，脑内地图会过时。认知地图构建面临的头号技术挑战是环境漂移——定位误差随时间累积，像滚雪球一样越滚越大：

每一步里程计都会引入一个小噪声 $\epsilon_t$，误差 $e_t$ 在上一时刻误差 $e_{t-1}$ 基础上累加。没有回环检测兜底，误差会无限膨胀。

et=et−1+ϵte_t = e_{t-1} + \epsilon_t
  1. 上一步误差 $e_{t-1}$历史定位误差的累计结果。
    et−1=∑k=1t−1ϵke_{t-1} = \sum_{k=1}^{t-1} \epsilon_k
  2. 单步噪声 $\epsilon_t$轮子打滑、IMU 漂移、激光测距抖动带来的微小偏差。
    ϵt∼N(0,σ2)\epsilon_t \sim \mathcal{N}(0, \sigma^2)
  3. 误差迭代误差以累加方式增长，长期导航下必须靠回环检测“定期归零”。 第二位挑战是算力瓶颈：大规模城市级地图的实时增量更新、全局优化和场景检索，都是计算密集型任务，边缘设备很难扛住。世界模型融合给出了一条破局路径：认知地图不再只是“路网记录”，而进化为对世界的时空因果模型——它不但知道哪里连到哪，还会预测没走过的街区大概长什么样。这就像老司机第一次去城市新区，也能凭经验猜测主干道走向、商业区位置。未来，空间记忆将与视觉想象、语言指令深度融合，让智能体“脑子一画，路线自来”。 回到最初的出租车比喻：从记住地标到画出拓扑，从精修度量到全局回环，从整理记忆到想象未知——空间记忆与认知地图构建的全部奥秘，就是让 AI 从一个迷路的新手，成长为脑中装着整座城市的金牌司机。
    et=et−1+ϵte_t = e_{t-1} + \epsilon_t

AI 应用场景

自动驾驶中的回环检测与地图校正

阶段：SLAM 后端优化 / 长期定位

解决的问题：无人车在城市中连续行驶数小时后，惯性导航和轮速计的微小误差不断累计，导致车辆“以为自己在 A 路，实际已在 B 路”。传统方案只能定期靠 GPS 修正，但隧道、地下车库和高架遮挡下 GPS 完全失效。

具体案例：某自动驾驶公司使用视觉回环检测，当车辆回到同一商圈或停车场时，系统自动匹配历史场景特征，触发全局图优化，将累计漂移从米级拉回厘米级。这一过程就像老司机绕了一大圈后看到熟悉的甜品店招牌，瞬间校准了脑内路线。

相关角色：SLAM 算法工程师、自动驾驶感知工程师

家庭服务机器人长期空间记忆

阶段：长期导航 / 经验重放

解决的问题：传统扫地机器人只依赖即时传感器，绕了一圈就忘，用户换一次家具布局就会到处乱撞。缺少空间记忆的机器人“每次都是第一天上班”。

具体案例：高端家用机器人利用拓扑+度量混合地图，把客厅茶几、卫生间门槛、卧室地毯建模为带语义标签的记忆节点。每次清扫后在“空闲时段”重放当天路径，强化关键节点。用户喊一声“回去充电”，机器人能跨房间规划最短路径，绕开儿童玩具等动态障碍。

相关角色：机器人算法工程师、嵌入式 AI 工程师

AR 眼镜的轻量级认知地图构建

阶段：空间锚定 / 持续定位

解决的问题：增强现实眼镜需要把虚拟物体稳定“钉”在现实空间中，用户走动、转头后再回来，虚拟物体不能漂移。纯视觉 SLAM 在弱纹理环境（白墙、暗光）极易丢失定位。

具体案例：AR 设备利用混合表征地图：拓扑节点记住“客厅-走廊-书房”的连接，度量地图保存墙面与家具的精确点云。设备休眠期间通过经验重放压缩记忆，苏醒后 0.1 秒内完成重定位——虚拟电视依然稳稳挂在墙上。

相关角色：空间计算工程师、XR 系统研发工程师

Python 演示

python78 行
import mathimport random  class TopoNode:    ""“认知地图中的一个拓扑节点，记录空间坐标与访问次数”""     def init(self, node_id, x, y):        self.id = node_id        self.x = x        self.y = y        self.visits = 0  class MiniCognitiveMap:    ""“迷你认知地图：增量建图 + 回环检测 + 记忆更新”""     def init(self, area_size=10.0, loop_radius=2.0):        self.area_size = area_size        self.loop_radius = loop_radius        self.nodes = []        self.edges = []        self.loops = 0        self._last = None     def find_nearest(self, x, y):        best = -1        best_d = float("inf")        for i, n in enumerate(self.nodes):            d = math.hypot(n.x - x, n.y - y)            if d < best_d:                best_d = d                best = i        return best, best_d     def add_observation(self, x, y):        idx, dist = self.find_nearest(x, y)        if self.nodes and dist < self.loop_radius:            # 回环：访问到已有节点，更新置信度            self.nodes[idx].visits += 1            self.loops += 1        else:            # 新地点：新建拓扑节点            idx = len(self.nodes)            self.nodes.append(TopoNode(idx, x, y))            self.loops += 0  # 非回环不计数        if self._last is not None and self._last != idx:            self.edges.append((self._last, idx))        self._last = idx        return idx     def move_and_build(self, steps, start=(2.0, 2.0)):        x, y = start        for _ in range(steps):            angle = random.uniform(0, 2 * math.pi)            x += math.cos(angle) * 0.5            y += math.sin(angle) * 0.5            x = min(max(x, 0), self.area_size)            y = min(max(y, 0), self.area_size)            self.add_observation(x, y)     def report(self):        return {            “节点数”: len(self.nodes),            “回环次数”: self.loops,            “边数”: len(self.edges),            “平均访问次数”: round(                sum(n.visits for n in self.nodes) / len(self.nodes), 2            ),        }  if name == "main":    random.seed(42)    brain = MiniCognitiveMap()    brain.move_and_build(300)    stats = brain.report()    print(“认知地图构建完成：”, stats)

常见误区

误区“认知地图就应该像高德地图一样，有精确的道路线、坐标和比例尺，越精细越好。”

正解认知地图的本质是“对空间关系的压缩表征”，并不追求绝对精确。生物研究早就发现，老鼠海马体中的地图是拓扑式、可变的，同一条路在不同时刻可能被编码成不同连接。真正衡量认知地图好坏的标准是“导航是否鲁棒、查询是否高效”，而非“像素级还原环境”。一张精确但计算昂贵、无法整合新信息的度量地图，反而会让智能体寸步难行。

为何常见：因为大家日常接触的都是电子地图 App，很自然地把“地图”和“精确坐标”画等号，忽略了记忆系统的压缩与重构本质。

误区“拓扑地图只记录连线，感觉非常粗糙；度量地图有坐标有距离，所以拓扑地图一定更不精确。”

正解两种地图的“精确”维度不同。拓扑地图在“连接关系是否正确”上可以做到高度精确，而且对环境噪声和动态障碍有天然容忍度；度量地图虽然在几何尺度上精确，但一旦传感器噪声大或回环检测失败，误差会迅速累积，反而“精确地错”。实际系统中两者互补，不存在孰优孰劣。

为何常见：人天然倾向认为“数字多=更精确”，于是度量地图被误以为更高级，忽略了拓扑地图在结构性表达上的独特优势。

误区“回环检测不就是把当前照片和历史照片对比一下嘛，相似度高于阈值就说是回环。”

正解单靠图像相似度远不够。视角变化、光照变化、相似物体干扰都会造成误检。成熟方案必须经历“场景检索候选生成 → 几何验证（RANSAC 估计变换）→ 全局图优化确认”三个环节，把误检率压到极低。就像你看到一家“兰州拉面”不会立刻断定回到老地方，还要看门头细节、周边路口，最终确认位置。

为何常见：视觉回环检测的入口确实是“像不像”的对比，小白很容易把入口当成全流程。

误区“机器人每次探索完新环境，直接把旧地图删除、换成新地图就行了，记忆更新就是这么简单。”

正解生物记忆和机器记忆都不是覆盖式写入。经验重放、资格迹更新、置信度累积这些机制的目的，是让新信息“融合”进旧结构：常走的路越来越清晰，偶发的观测噪声被平滑，旧地图中仍然正确的拓扑关系继续保留。直接覆盖会导致地图对单次错误观测过度敏感，今天有纸箱挡路，重画时就可能丢掉整条走廊。

为何常见：因为计算机文件系统给人养成了“保存=覆盖旧文件”的直觉，而记忆是动态演化的，不是静态覆盖的。

面试题

Q1. 位置细胞的激活模式最像哪一种生活场景？

单选题 · easy

  • A.走到特定打卡点才响铃← 正确答案
  • B.手机信号满格后持续闪烁
  • C.运动时心率加快提醒
  • D.导航语音每公里播报一次

答案：A。位置细胞只在智能体进入自己“负责”的空间区域时才强烈放电，就像打卡机只在特定地点响应。B持续闪烁、C运动促发、D按距离播报都不是“地点特异性”激活，故排除。

Q2. 网格细胞的核心作用是？

单选题 · easy

  • A.提供稳定的空间度量参考← 正确答案
  • B.直接存储地标图像
  • C.输出文本导航指令
  • D.负责颜色识别

答案：A。网格细胞以周期性放电构成脑内“坐标纸”，为空间提供距离和方向度量。B是视觉记忆、C是语言、D是感知，都与网格细胞的度量功能无关。

Q3. 关于拓扑地图与度量地图，下列哪些说法正确？

多选题 · mid

  • A.拓扑地图擅长表达连接关系← 正确答案
  • B.度量地图保存精确几何坐标← 正确答案
  • C.拓扑地图一定比度量地图省内存
  • D.实际系统常采用混合表征← 正确答案

答案：ABD。拓扑图记录“哪和哪连着”，度量图记录“精确在哪个坐标”，两者互补且常混合使用，A、B、D正确。C过于绝对：如果拓扑节点规模巨大（如百万级语义地标），内存也可能超过低分辨率的度量栅格。

Q4. 图优化在认知地图构建中的核心目标是什么？

单选题 · mid

  • A.调整所有位姿使总体误差最小← 正确答案
  • B.提高传感器的采样频率
  • C.减少地图占用的磁盘空间
  • D.把拓扑地图转换为图像

答案：A。图优化把观测残差平方求和后最小化，从而得到全局一致的地图布局。它不改变传感器硬件、不压缩存储、不做数据格式转换，故B、C、D都是干扰项。

Q5. 回环检测对长期导航最重要的价值是？

单选题 · mid

  • A.纠正累计漂移还原一致地图← 正确答案
  • B.提升电机的扭矩输出
  • C.增加地图的栅格分辨率
  • D.缩短 GPS 信号搜索时间

答案：A。长期导航中里程计误差不断累积，回环检测通过识别“回到旧地点”引入强约束，触发图优化修正全局漂移。它与电机、分辨率、GPS 信号均无直接关系。

Q6. 经验重放机制的特点包括？

多选题 · hard

  • A.模仿睡眠中海马体的轨迹重放← 正确答案
  • B.从记忆中抽样旧经验反复温习← 正确答案
  • C.直接丢弃所有遗忘节点
  • D.帮助新知识融入旧地图结构← 正确答案

答案：ABD。经验重放借鉴生物睡眠巩固机制，把过去轨迹重新采样、反复更新参数，让新知识融入旧结构。它不会刻意丢弃全部旧节点——遗忘与巩固是另一套独立策略，故C错误。

Q7. 漂移误差累积的数学本质是什么？

单选题 · hard

  • A.每步噪声随时间迭代累加← 正确答案
  • B.传感器误差被开方缩小
  • C.地图节点数按指数衰减
  • D.回环检测完全消除噪声

答案：A。漂移满足 $e_t = e_{t-1} + \epsilon_t$，每一步小噪声在迭代中累加，像滚雪球。传感器误差不会被开方缩小，回环检测只是“纠正”漂移而非“消除”单步噪声，故B、D错误；C与漂移无关。

Q8. 余弦相似度在回环检测中用于？

单选题 · easy

  • A.比较两个场景特征向量的相似程度← 正确答案
  • B.计算地图文件的压缩比例
  • C.统计导航路径的转弯次数
  • D.估算电池剩余续航时间

答案：A。回环检测先把场景编码为特征向量，再用 $S = (v_p \cdot v_q) / (\|v_p\|\|v_q\|)$ 度量“长得像不像”。其余选项均与场景相似度无关。

Q9. 认知地图构建中的“闭环修正策略”包含哪些环节？

多选题 · mid

  • A.场景检索生成回环候选← 正确答案
  • B.几何验证排除误检← 正确答案
  • C.全局图优化统一调整位姿← 正确答案
  • D.把地图转换为文本描述

答案：ABC。完整闭环修正包含“检索候选→几何验证→全局优化”三步，A、B、C正好对应。D是空间语言化，属于另一研究方向，不属于闭环修正流程。

Q10. 关于空间记忆的未来发展方向，哪些描述合理？

多选题 · hard

  • A.认知地图向世界模型演进← 正确答案
  • B.预测未观测区域的空间结构← 正确答案
  • C.完全放弃度量地图只留拓扑
  • D.融合视觉语言多模态信息← 正确答案

答案：ABD。未来方向是让认知地图具备“想象力”——从记忆走向世界模型，预测未知区域并融合多模态信息，A、B、D合理。C过于极端，度量地图在局部精细操作中不可替代。