人看见一个杯子，通常只觉得“我看见了杯子”。机器人看见杯子，问题要细得多：它离我多远？杯口朝哪边？桌面反光是不是骗了相机？我的手伸过去以后，杯子会不会被挡住？如果我边走边看，刚才那一帧还能不能信？
感知不是给图片贴标签，而是把杂乱传感器信号变成可行动的世界模型。大白话说，机器人不只是要知道“这是什么”，还要知道“它在哪儿、怎么动、能不能碰、碰了会怎样”。
照片题和现实题不是一回事
图像识别像考试：给你一张图，问里面有没有猫。机器人感知像开车：图像一直变，你也一直在动，答案晚了半秒就可能没用了。真实世界没有暂停键，也不会把物体摆在光线完美的中央。
这就是遮挡的麻烦：一个物体被另一个物体挡住，你仍要推断它存在。人看到沙发后面露出半截拖鞋，会自然知道拖鞋没消失。机器人如果只按当前像素做判断，就会在“看见”和“看不见”之间来回跳，动作也跟着发抖。
机器人要学会的不是“眼前这张图里有什么”，而是“这个房间里有哪些东西，虽然有些现在被挡住了，但它们大概还在那里”。
位置比名字更重要
如果机器人要拿杯子，“杯子”这个名字反而不是最难的。更难的是位姿：物体在三维空间里的位置和朝向。位姿差一点，抓取点就错一点；抓取点错一点，杯子可能滑落。对语言模型来说，“杯子在桌上”够了；对手来说，差三厘米就是另一个世界。
为了估计位姿，机器人常用相机、深度相机、激光雷达、惯性传感器、关节编码器等。每种传感器都有脾气：相机会受光照影响，深度相机怕透明和反光，惯性传感器会漂移，关节编码器只知道自己身体的角度，不知道外物是否被碰动。
传感器融合就是把这些不完美的信息拼成一个相对可信的判断。它有点像问路：一个人说向左，一个人说前面施工，一个地图说还有二十米。你不会盲信任何一个，而是结合它们做决定。
身体一动，世界就变
机器人最尴尬的一点是：它的动作会破坏自己的感知。手伸出去会挡住相机，身体转动会带来模糊，脚步震动会让画面抖。人类靠眼睛、内耳和身体感觉协同抵消这些影响，机器人也需要类似机制。
这里出现第二个核心词：状态估计，意思是系统持续猜测“我现在在哪里，世界现在怎样”。它不是一次性算答案，而是每来一条新信息就更新一次。扫地机器人、无人机、自动驾驶都离不开这件事，人形机器人只是把难度加满：它有更多关节，更高重心，更多接触点，也更容易把自己弄失衡。
对机器人来说，看见不是认识世界的终点，而是行动链条的第一环。看错了，后面每一步都只是更精致地犯错。
为什么家里比工厂难
工厂看起来复杂，但对机器人友好：光线可控，物料规格统一，路径固定，安全边界清楚。家庭看起来温柔，却是感知噩梦：玩具会乱放，衣服会堆成奇怪形状，玻璃杯透明，宠物会突然经过，老人小孩的动作不可预测。
这也是为什么早期落地常发生在仓库、工厂和半结构化场景。不是因为机器人公司不想进家，而是因为感知系统还需要足够可控的输入，才能让动作有稳定结果。一个能在演示台上拿苹果的机器人，离“在你家昏暗厨房里找到半袋面包”中间隔着大量脏活。
下一章进入手。因为看见之后，机器人还要碰。视觉的错误通常还能重试；接触的错误会立刻变成力、滑动、变形和损坏。