想象你是一位“智能管家”培训师，正在面试一个叫小空的机器人实习生。考官（也就是你）随口说出各种指令：“把杯子放到桌子前面”“把椅子往左边挪一点”“钥匙在书桌抽屉里”。你的任务，是判断小空能否听懂这些家常话，并手脚麻利地完成任务。 其实，这些指令背后藏着人工智能一个基础又关键的能力——空间关系推理。所谓“前面”“左边”“抽屉里”，都是一种相对位置描述：它们不像“北京到上海 1200 公里”那么绝对，而是依赖“谁在看”“以什么为参照”才能确定。小空要做的，是把一句含含糊糊的日常话，翻译成房间里一个个准确的坐标位置，再规划路径走过去。 这篇文章就用小空的“上岗日志”作主线，带你完整走一遍空间关系推理的六大步骤：从认识前后左右内外的本质，到选参照系定基准，再到用坐标和数学公式计算方位，接着理解自然语言与空间的对应关系，最后落到推理算法和工程部署。读完你会发现，AI 能听懂“把拖鞋放到床的左边”，跟它会不会“看图识字”一样，是一套清晰可学的技能。

岗位关联

空间关系推理是具身智能与导航系统的基石能力。掌握它，你将理解如何把一句日常口语变成机器人可执行的坐标指令——这是智能体从“听懂话”迈向“做对事”的关键一跃。

目录
  1. 可视化演示
  2. 1. 空间关系基础：像整理书桌一样认识方位
  3. 2. 参照系选取：你的左边还是我的左边
  4. 3. 几何坐标表示：给房间画一张地图
  5. 4. 语义映射理解：把话翻译成坐标
  6. 5. 推理算法实现：让管家动脑选答案
  7. 6. 评估与工程落地：让管家上岗
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

1. 空间关系基础：像整理书桌一样认识方位

面试第一天，考官把小空带到一张书桌前，桌上摆着一杯水、一本笔记本和一个笔筒。考官说：“把杯子放到笔记本的前面，笔筒放到笔记本的左边。”小空低头盯着桌面，心里冒出一连串问题：前面是哪一面？左边是哪一边？笔记本又不是人，它也有“朝向”吗？

这些问题的答案，构成了空间关系推理的第一课：空间关系从来不是物体的固有属性，而是物体之间的“相对坐标”。在自然语言里，人类描述位置的方式可以粗分成三类。第一类是投影关系（projective terms），比如前、后、左、右，它依赖参考物的朝向和观察者的视角；第二类是拓扑关系（topological terms），比如内、外、相邻、接触，它只关心两个物体是否包含或相交，跟距离和角度无关；第三类是度量关系（metric terms），比如“离门两米”“很近”，它带上了数量的刻度。

在智能体的内部，这三类关系被统一建模为一个可计算的关系集合。设目标物体为 A，参考物体为 B，空间关系推理要回答的问题就是：从候选关系集合中挑出与当前几何场景最匹配的那一项。这个候选集合记为：

对小空来说，第一课终于有点感觉了：原来“前面”不是凭空冒出来的词，而是一道待解的填空题——答案取决于参考物是谁、它的朝向在哪。就像它在书桌边站定后才明白，考官说的“笔记本前面”，是以笔记本的摆放方向为基准的。它默默在记忆里给桌上的每件东西标了一个“朝向箭头”。

R(A,B)∈{前,后,左,右,内,外,上方,下方,旁边}\displaystyle R(A,B) \in \{ \text{前,后,左,右,内,外,上方,下方,旁边} \}
这个公式说明：空间关系推理本质上是一个“选择题”，候选答案就是花括号里的方位词集合，AI 要根据场景几何条件选出最合理的一个。
  1. 目标与参考R(A, B) 表示“以 B 为参考物，A 处于什么位置关系”，比如“杯子在笔记本前面”。
    R(杯子,笔记本)=前\displaystyle R(\text{杯子}, \text{笔记本}) = \text{前}
  2. 关系集合花括号列出所有候选关系，每次推理都要从这些词里选一个作为输出。
    {前,后,左,右,内,外,上方,下方,旁边}\displaystyle \{ \text{前,后,左,右,内,外,上方,下方,旁边} \}
  3. 判定规则集合里的每一项背后都对应一条几何判定规则（如“前”用点积、“内”用包围盒），第三节将详细展开。

2. 参照系选取：你的左边还是我的左边

第二天的培训换成场景练习。考官站在小空对面，指着柜子说：“把花盆放到我的左边。”小空刚迈出一步又顿住了：考官说的“左边”，到底是考官的左边，还是小空自己的左边？它站在两人中间，一时不知该伸手还是该转身。

这正是空间关系推理最经典的坑：参照系（reference frame）的选择。同一个位置，用不同的参照系描述，会得到完全相反的方向词。主流参照系有三种。自我中心参照系（egocentric）以观察者自身的位置和朝向为原点，“我的左边”就是小空视野里的左侧；环境中心参照系（allocentric）以房间、地图或全局坐标为基准，“北边”“门旁边”属于这一类；物体本身参照系（object-centered）则看参考物自己的朝向，比如“笔记本的前面”取决于笔记本摆放的方向。

对机器人来说，三类参照系需要能自由切换。数学上，切换就是一次坐标变换：把以机器人自身为原点的本地坐标，平移到世界坐标，并旋转到目标朝向。设机器人感知到的位置向量为 p_ego，自身朝向角为 θ，世界坐标系下的位置由下式给出：

听完这些，小空心里的困惑解开了。它先把考官的脸和身体朝向记下来，在心里嘀咕：“原来考官说的左边，是以他面朝的方向为基准，翻转 90 度。”它走到花盆边，先让身体的朝向与考官对齐，然后向左迈了一步，顺利把花盆放到了考官左侧。参照系搞对了，动作就自然对了。

pworld=(cos⁡θ−sin⁡θsin⁡θcos⁡θ)pego+t\displaystyle \mathbf{p}_{\text{world}} = \begin{pmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{pmatrix} \mathbf{p}_{\text{ego}} + \mathbf{t}
这个公式是“参照系切换”的数学骨架：先旋转、再平移。它解释了为什么判断左右前必须先确认参照系——旋转矩阵把机器人的“视野”对齐到世界的“地图”。
  1. 旋转矩阵2×2 矩阵把本地坐标逆时针旋转 θ 角，θ 是机器人朝向与世界坐标轴的夹角。
    (cos⁡θ−sin⁡θsin⁡θcos⁡θ)\displaystyle \begin{pmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{pmatrix}
  2. 平移向量t = (t_x, t_y) 表示把旋转后的坐标挪到世界原点所需的偏移，相当于“走路”的距离。
    t=(tx,ty)\displaystyle \mathbf{t} = (t_x, t_y)
  3. 完整变换先旋转、再平移，顺序不能颠倒，否则结果完全不同。
    pworld=R(θ) pego+t\displaystyle \mathbf{p}_{\text{world}} = \mathbf{R}(\theta)\, \mathbf{p}_{\text{ego}} + \mathbf{t}

3. 几何坐标表示：给房间画一张地图

培训第三天，考官给小空看了一张俯视图：房间被画成一张二维地图，每件家具都变成了带坐标的方块。考官指着地图说：“看清了吗？判断前后左右，其实就是在这张图上做算术。”

在地图上，每个物体都有位置坐标 (x, y)，每个参考物还有一条“朝向向量” f，表示它面朝的方向。于是“杯子在桌子的哪一侧”这个口语问题，就变成了一道纯粹的向量计算题。两个工具撑起全部计算：点积判前后，叉积判左右。

设目标点 T 相对参考点 R 的位移向量为 d = T − R，参考物的朝向向量为 f。前后用点积：d 在 f 方向上的投影，正数意味着 T 在 R 的前方，负数意味着后方。左右用叉积：f 到 d 的旋转方向，正数意味着 d 在 f 的左侧，负数意味着右侧。用公式合并表达：

对小空来说，这张“地图加算术”的组合拳让一切豁然开朗：它不用再凭直觉绕圈子，只需要在脑中的地图上拉两根箭头——一根指向目标，一根代表家具的朝向——然后让点积和叉积替它回答“前还是后、左还是右”。它把这块“几何地图”当成了自己的秘密武器，之后的每次判断都又快又稳。

前后=sign(dxfx+dyfy),左右=sign(fxdy−fydx)\displaystyle \text{前后} = \text{sign}\big(d_x f_x + d_y f_y\big), \qquad \text{左右} = \text{sign}\big(f_x d_y - f_y d_x\big)
这两行是空间关系推理的“左膀右臂”：点积管前后，叉积管左右。符号函数 sign 把计算值压缩成 +1、0、−1，分别对应“正方向/正中/反方向”。
  1. 位移向量先计算 d = (d_x, d_y) = (T_x − R_x, T_y − R_y)，这是从参考物指向目标的箭头。
    d⃗=(xT−xR,  yT−yR)\displaystyle \vec{d} = (x_T - x_R,\; y_T - y_R)
  2. 点积判前后d·f = d_x × f_x + d_y × f_y，正值表示目标落在参考物前方，负值表示后方。
    dot=dxfx+dyfy\displaystyle \text{dot} = d_x f_x + d_y f_y
  3. 叉积判左右f × d = f_x × d_y − f_y × d_x，正值表示目标在参考物左侧，负值表示右侧。
    cross=fxdy−fydx\displaystyle \text{cross} = f_x d_y - f_y d_x
  4. 符号函数sign 把数值压成 +1 / 0 / −1，分别对应左/中/右、前/平/后。
    sign(s)={+1,s>00,s=0−1,s<0\displaystyle \text{sign}(s) = \begin{cases} +1, & s > 0 \\ 0, & s = 0 \\ -1, & s < 0 \end{cases}

4. 语义映射理解：把话翻译成坐标

第四天，考官把纸条递给小空，上面写着：“把椅子挪到书桌的前方。”小空看着“前方”两个字，脑海里联想起培训时学过的朝向箭头——它知道，第一步是先算出书桌面向哪里。

从自然语言到几何动作，中间隔着一条“翻译流水线”。第一步是解析（parsing）：从句子中找出目标物体（椅子）、参考物体（书桌）和关系词（前方）。第二步是规范化（normalization）：把“前方”“前面”“正前方”这类同义词统一成标准关系标签。第三步是空间词映射：把标准标签换算成几何符号——「前方」映射到参考物的朝向单位向量，「左方」映射到朝向向左旋转 90 度的单位向量。

映射这一步最核心。设参考物的朝向向量为 f，归一化后得到单位向量 f̂。那么“前方”就等价于 f̂，“左方”等价于把 f̂ 逆时针旋转 90°，“右方”则旋转 −90°。写成矩阵形式：

小空把“前方”两个字在脑中过了翻译流水线：先锁定“书桌”和“前方”，再算出书桌的面朝方向，接着在朝前的那片半圆形区域里选中一个合适的空位。当它推着椅子走到那个位置时，考官满意地点了点头——那句“把椅子挪到书桌的前方”，已经变成了它脚下实实在在的一步。

d^前=f⃗∥f⃗∥,d^左=(0−110)d^前\displaystyle \hat{d}_{\text{前}} = \frac{\vec{f}}{\|\vec{f}\|}, \qquad \hat{d}_{\text{左}} = \begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix} \hat{d}_{\text{前}}
这个公式把口语里的方向词“翻译”成几何方向：先单位化得到标准朝向，再用旋转矩阵得到左方。有了这些单位向量，机器人就能在目标区域里搜索可落脚的点了。
  1. 单位化f̂ = f / ‖f‖ 把任意长度的朝向向量变成“只管方向、不管长短”的单位向量。
    d^前=f⃗∥f⃗∥\displaystyle \hat{d}_{\text{前}} = \frac{\vec{f}}{\|\vec{f}\|}
  2. 左旋矩阵矩阵乘 f̂ 等于让向量逆时针旋转 90°，正好指向参照物的左侧。
    (0−110)\displaystyle \begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix}
  3. 落点搜索方向定了之后，在沿该方向的适当距离处选一个可落脚的点，就完成了从词到动作的翻译。
    落点=参考物位置+λ⋅d^方向,λ>0\displaystyle \text{落点} = \text{参考物位置} + \lambda \cdot \hat{d}_{\text{方向}}, \quad \lambda > 0

5. 推理算法实现：让管家动脑选答案

第五天，考官开始加难度：“把花瓶放到那本书的旁边。”小空环顾四周，发现书周围有桌子、台灯和另一本书。到底哪个位置才配得上“旁边”？它第一次意识到，空间关系推理不是判断题，而是一道排序题。

在真实场景中，“旁边”“附近”“前方不远处”都不是精确约束，智能体要在海量候选位置里挑一个最合适的。完整的推理流程分四步：先生成候选关系，再对候选排序打分，然后消解冲突，最后输出结构化结果。

打分是灵魂。一个候选位置 c 的得分由三部分加权合成：方向对齐度（c 是否在参考物的正确方位上）、距离合适度（c 与参考物之间的距离是否匹配“旁边”的语义）、以及可到达性（c 是否为无障碍的空地）。

小空明白了，所谓“选一个位置”，其实是把所有可能的落点都列在脑中的地图上，像面试官批试卷一样给每个点打分：方向对不对？距离合不合适？路上有没有障碍？最终，它选中了书左侧 30 厘米处的一个空位，稳稳放下花瓶。考官再次点头——排序题，小空拿到了满分。

Score(c)=α⋅Align(c)+β⋅11+Distance(c)+γ⋅Reach(c)\displaystyle \text{Score}(c) = \alpha \cdot \text{Align}(c) + \beta \cdot \frac{1}{1 + \text{Distance}(c)} + \gamma \cdot \text{Reach}(c)
这就像面试官给候选答案批分：方向对不对占一部分，距离合不合适占一部分，路能不能走通占一部分。权重 α、β、γ 通常由训练数据学习得到。
  1. 方向对齐度Align(c) 用第三节的点积/叉积算出，判断候选点是否落在“旁边”对应的方向区域。
    Align(c)={1,方向正确0,方向不符\displaystyle \text{Align}(c) = \begin{cases} 1, & \text{方向正确} \\ 0, & \text{方向不符} \end{cases}
  2. 距离项1/(1+dist) 把距离压缩到 0~1 之间，越近分数越高，匹配“旁边”偏好近距离的语义。
    11+Distance(c)\displaystyle \frac{1}{1 + \text{Distance}(c)}
  3. 可到达性Reach(c) 检查该点是否被障碍物占据，相当于一个 0/1 开关。
    Reach(c)={1,可到达0,被占据\displaystyle \text{Reach}(c) = \begin{cases} 1, & \text{可到达} \\ 0, & \text{被占据} \end{cases}
  4. 加权求和α、β、γ 是三者重要性权重，排序后取分数最高且符合物理约束的候选作为输出。
    最优位置=arg⁡max⁡c∈CandidatesScore(c)\displaystyle \text{最优位置} = \arg\max_{c \in \text{Candidates}} \text{Score}(c)

6. 评估与工程落地：让管家上岗

培训最后一天，考官宣布：“小空，你毕业了。但上岗之前，还要过一轮标准化考核，以及和工程团队的联调。”小空既紧张又兴奋——它知道，真正的挑战才刚刚开始。

空间关系推理要真正走向产品，离不开两件事：评估基准与工程规范。评估基准解决“怎么做才算对”的问题——它需要一个带标注的数据集，里面每条样本都问“物体 A 相对物体 B 是什么关系”，并给出标准答案；工程规范解决“怎么接上线”的问题——感知团队输出坐标，算法团队输出关系，导航团队输出路径，三者的数据接口必须统一。

最常用的评估指标是准确率，即模型判断正确的样本占全部样本的比例：

小空顺利通过了标准化考试——在 5000 道“物件关系选择题”里拿到了 94% 的准确率。紧接着，它的“大脑”被接入房间的感知与导航系统：摄像头给出坐标，它给出关系判断，轮式底盘负责移动。工程团队和算法团队坐在一起，把接口调通的那一刻，小空真正从一个培训生，变成了能听懂人话、看得懂房间的智能管家。

Acc=1N∑i=1N1(r^i=ri)\displaystyle \text{Acc} = \frac{1}{N} \sum_{i=1}^{N} \mathbf{1}\big(\hat{r}_i = r_i\big)
准确率就是“答对的题数除以总题数”。其中 1(·) 是一个小机关：条件成立记 1 分，不成立记 0 分，把每次判断变成一次对错统计。工程侧，标准做法是定义统一的空间关系接口：输入三元组（目标物体、参考物体、参照系类型），输出结构化的关系标签和置信度。
  1. 指示函数1（条件） 在括号内等式成立时取 1，否则取 0，用来把每次判断转成“对或错”。
    1(r^i=ri)={1,r^i=ri0,否则\displaystyle \mathbf{1}\big(\hat{r}_i = r_i\big) = \begin{cases} 1, & \hat{r}_i = r_i \\ 0, & \text{否则} \end{cases}
  2. 求和平均把 N 个样本的 0/1 结果累加并除以 N，得到正确率这个百分比。
    1N∑i=1N⋅\displaystyle \frac{1}{N} \sum_{i=1}^{N} \cdot
  3. 输入输出接口接口约定“喂什么”（目标、参考、参照系）和“吐什么”（标签+置信度），让上下游团队可以独立开发。
    接口:(目标,参考,参照系)→(关系标签,置信度)\displaystyle \text{接口}: (\text{目标}, \text{参考}, \text{参照系}) \rightarrow (\text{关系标签}, \text{置信度})

AI 应用场景

家庭服务机器人整理房间

阶段：具身智能 / 指令理解

解决的问题：传统扫地机器人只能按预设路线移动，听不懂“把拖鞋放到床的左边”这类相对位置指令。引入空间关系推理后，机器人解析场景中物体的坐标和朝向，再执行空间动作。

具体案例：用户出门前说“帮我把钥匙放到玄关柜的左边抽屉里”。机器人先通过摄像头识别玄关柜，计算它的朝向和左侧区域，再定位抽屉把手坐标，最后完成放置动作。

园区物流车的停靠定位

阶段：导航与路径规划

解决的问题：无人车收到“停到最后一排货架的左侧通道”这类指令时，需要理解货架的朝向并计算通道中心线，而不是简单导航到一个固定坐标点。

具体案例：园区物流车到达装卸区，系统指令要求“停到最后一排货架的左侧通道”。车辆融合激光雷达点云，输出货架的包围盒和朝向，计算出左侧通道的中心线，完成精准泊车。

AR 辅助维修的语音指引

阶段：多模态理解

解决的问题：AR 眼镜提示“拧开工位右上角那颗螺丝”时，传统系统需要人工预标注每个零件的坐标，无法适应任意视角和设备布局。

具体案例：维修人员戴着 AR 眼镜说“那个红色阀门的右边有一个按钮”，系统通过语义映射把“右边”转成相对阀门朝向的向量，再投影到屏幕上高亮目标按钮，引导维修员操作。

Python 演示

python63 行
"""空间关系推理演示: 前后/左右/内外的几何判定"""import math  class Object:    """场景物体: pos 为坐标 (x, y), front 为朝向向量 (fx, fy)"""     def __init__(self, name, pos, front=(0, 1)):        self.name = name        self.pos = pos        self.front = front  def judge_front_back(target, ref):    """用点积判断目标在参考物的前方还是后方"""    dx = target.pos[0] - ref.pos[0]    dy = target.pos[1] - ref.pos[1]    score = dx * ref.front[0] + dy * ref.front[1]    if score > 0:        return "前方"    if score < 0:        return "后方"    return "侧面"  def judge_left_right(target, ref):    """用叉积判断目标在参考物的左侧还是右侧"""    dx = target.pos[0] - ref.pos[0]    dy = target.pos[1] - ref.pos[1]    cross = ref.front[0] * dy - ref.front[1] * dx    if cross > 0:        return "左侧"    if cross < 0:        return "右侧"    return "正中"  def judge_inside(point, box):    """判断点是否在矩形包围盒内部: box = (中心x, 中心y, 半宽, 半高)"""    cx, cy, half_w, half_h = box    return (cx - half_w <= point[0] <= cx + half_w and            cy - half_h <= point[1] <= cy + half_h)  def main():    # 场景: 桌子朝向向量 (0, 1) 表示面向屏幕下方    table = Object("桌子", (5.0, 4.0), front=(0, 1))    cup = Object("杯子", (5.0, 6.0))    chair = Object("椅子", (4.0, 3.0))     print("杯子在桌子:", judge_front_back(cup, table), "/",          judge_left_right(cup, table))    print("椅子在桌子:", judge_front_back(chair, table), "/",          judge_left_right(chair, table))     # 桌面矩形范围: 中心(5,4), 半宽2, 半高1.5    table_box = (5.0, 4.0, 2.0, 1.5)    print("杯子坐标在桌面矩形范围内:",          judge_inside(cup.pos, table_box))  if __name__ == "__main__":    main()
目的：用不到 60 行实现空间关系推理的核心判定——点积判前后、叉积判左右、包围盒判内外，输出“杯子在桌子前方/左侧”这类结构化结果。
  1. score = dx * ref.front[0] + dy * ref.front[1]点积计算：把目标相对参考物的位移投影到朝向上，正负号决定前后。
  2. cross = ref.front[0] * dy - ref.front[1] * dx叉积计算：判断目标相对朝向向量的旋转方向，正负号决定左右。
  3. (cx - half_w <= point[0] <= cx + half_w and ...)包围盒内外判定：四个边界不等式同时成立才算“在内”。
  4. table = Object("桌子", (5.0, 4.0), front=(0, 1))定义参考物：位置 (5,4)，朝向向量 (0,1) 表示面朝屏幕下方。
  5. judge_front_back(cup, table)推理入口：传入目标与参考物，返回结构化方位标签。

常见误区

误区很多初学者以为“桌子的左边”是桌子永恒的标签，无论从哪个方向看都一样。判断时不需要考虑观察者，直接对着图看就行。

正解左右取决于参照系。如果你站在桌子对面，桌子的左侧在你看来可能刚好是右侧。“桌子的左边”必须结合桌子的自身朝向来定义——先明确朝向，再谈左右。这就好比你和朋友面对面时，你们的“左边”正好相反。

为何常见：人类习惯以自己为中心，默认“我看到的左”就是左，忽略了物体自身参照系的存在。

误区以为“桌子前面”指的是某一个精确坐标，机器人只要走到那个点就完成指令。可到了现场却发现，前方有地毯、有花盆，到底该停哪？

正解“前面”在语义上是一个扇形区域，而不是一个点。具体落点还要结合距离、可到达性和避障来决定。空间关系推理的输出更像“划定区域”，而不是“指定坐标”。

为何常见：很多教学演示只画了一个目标点，让人误以为空间关系是点对点的精确定位。

误区拿“点是否在 2D 包围盒内”当作“物体在盒子内”的完整答案，忽略了容器的开口、物体的体积和遮挡关系。

正解真实世界的“内”还要考虑容器开口和物理可达性。比如一本书“在抽屉里”，抽屉拉出和合上状态完全不同；判定时要结合容器的 3D 几何与开口朝向，判断物体能否被容纳且实际处于其中。

为何常见：课程里为了简单常用 2D 包围盒举例，初学者容易把简化模型当成完整答案。

误区认为“旁边”只有一个固定距离，“前方”也只有一个固定的方向角。把每个空间词硬编码成一个常量。

正解“旁边”是一个模糊带，距离远近随场景和物体尺度变化——“书桌旁边的 30 厘米”和“篮球场旁边的 3 米”都是合理的。语义映射常输出概率分布或距离区间，而非单一向量。

为何常见：词典释义给了我们“旁边=附近”的错觉，忽略了语用的灵活性。

误区认为“理解语言”用大模型，“计算位置”用几何库，两者是独立模块，不需要联合设计。

正解二者必须耦合。同一个“前”字，在“汽车前面”和“人前面”里对应的几何含义完全不同——汽车前方是行进方向，人的前方是面部朝向。语言解析的结果直接影响坐标计算，坐标计算结果也会反过来修正语义（比如出现意向歧义时）。

为何常见：工程分工时语言模型和几何模块往往由不同团队负责，接口一拆，就容易形成“只传词不传上下文”的割裂。

面试题

Q1. 判断目标物体在参考物前方还是后方，最常用下列哪种几何运算？

单选题 · easy

  • A.用点积判定投影方向← 正确答案
  • B.用叉积判定旋转方向
  • C.用开方计算欧氏距离
  • D.用取余计算角度周期

答案：A。点积把目标相对参考物的位移向量投影到参考物朝向向量上，正为前、负为后。叉积管左右，距离管远近，取余与方位判定无关。

Q2. “把花盆放到我的左边”属于哪种参照系？

单选题 · easy

  • A.环境中心参照系
  • B.自我中心参照系← 正确答案
  • C.物体自身参照系
  • D.全局地理参照系

答案：B。“我的左边”以说话人自身位置和朝向为基准，是典型的自我中心参照系。环境中心参照系以房间或地图为基准，物体自身参照系以参考物朝向为基准。

Q3. 下列哪些是空间关系推理面临的主要挑战？

多选题 · mid

  • A.空间词存在语义模糊性← 正确答案
  • B.参照系不同导致判断翻转← 正确答案
  • C.“旁边”的距离随场景变化← 正确答案
  • D.物体颜色影响识别效果

答案：ABC。模糊性、参照系和场景尺度都会影响方位判断。物体颜色属于视觉外观属性，与空间关系推理本身无直接关联。

Q4. 叉积 f×d 的结果为正数，表示目标 d 在参考物朝向 f 的哪个方向？

单选题 · mid

  • A.左侧← 正确答案
  • B.右侧
  • C.前方
  • D.后方

答案：A。在约定的坐标系约定下，叉积符号代表旋转方向，正数对应参考物朝向的左侧。注意坐标系方向不同，符号含义可能互换，使用前要固定坐标系约定。

Q5. 自然语言空间词映射为几何向量时，“左方”通常对应把单位朝向向量怎样变化？

单选题 · mid

  • A.逆时针旋转 90 度← 正确答案
  • B.顺时针旋转 90 度
  • C.长度缩短一半
  • D.取相反方向

答案：A。左方是朝向向量的逆时针 90 度旋转，右方是顺时针 90 度。旋转只改变方向，不改变向量长度，因此不涉及缩放或取反。

Q6. 空间关系推理算法中，对候选位置打分通常考虑哪些因素？

多选题 · mid

  • A.方向对齐度← 正确答案
  • B.距离合适度← 正确答案
  • C.可到达性← 正确答案
  • D.物体价格高低

答案：ABC。方向对齐度用点积/叉积衡量方位是否正确，距离项判断远近是否匹配语义，可到达性检查路径是否有障碍。价格与空间关系无关。

Q7. 智能体完成“把杯子放到书桌前方”指令的正确处理顺序是？

单选题 · easy

  • A.解析→定参照系→几何算→执行← 正确答案
  • B.移动→解析语言→确定参照系
  • C.随机→选方向→直接移动
  • D.感知→只识别物体→忽略位置

答案：A。标准流程是先解析自然语言找出目标和关系词，再确定参照系，接着用几何计算锁定目标区域，最后规划路径执行移动。其余选项顺序颠倒或忽略关键步骤。

Q8. 评估空间关系推理模型时，准确率公式 Acc = (1/N)Σ1(r̂_i = r_i) 中的 1(·) 是什么函数？

单选题 · hard

  • A.指示函数，条件成立取 1← 正确答案
  • B.指数函数，结果恒大于 1
  • C.对数函数，用来压缩数值
  • D.激活函数，用于输出归一化

答案：A。1(·) 是指示函数（indicator），当括号内等式成立时取 1，否则取 0。累加后除以 N 得到正确率。其余函数与统计对错无关。

Q9. 某机器人以自身为原点测得目标在 (3, 4)，自身朝向与世界坐标 x 轴夹角 0°，自身在世界坐标的位置是 (10, 20)。目标在世界的坐标是？

单选题 · hard

  • A.(13, 24)← 正确答案
  • B.(7, 16)
  • C.(10, 20)
  • D.(3, 4)

答案：A。参照系转换公式为世界坐标 = 旋转后的本地坐标 + 平移向量。旋转角 0° 时本地坐标不变，加上 t=(10,20)，得到 (3+10, 4+20)=(13,24)。

Q10. 关于空间关系推理的工程落地，下列说法正确的有？

多选题 · hard

  • A.需要统一的数据接口规范← 正确答案
  • B.感知、算法、导航多团队协作← 正确答案
  • C.有了基准数据集就无需工程联调
  • D.接口标准化能加速技术生态成熟← 正确答案

答案：ABD。统一接口和多团队协作是工程基础，标准化规范促进技术生态成熟。但基准数据集只解决“评测”问题，不解决“部署”问题，联调依然必不可少。