4. 语义信息表示方法

在机器人语义导航地图中，几何地图只回答“哪里能走”，而语义信息回答“那里是什么、有什么属性、彼此有什么关系”。语义表示方法决定了机器人能否把感知结果组织成可查询、可推理、可更新的结构化知识。本节围绕语义标签、对象类别、属性、关系、场景图与知识图谱六个层次，说明它们在地图部署中的表示方式与协作逻辑。

一、核心原理：从像素到知识的六层表示

语义信息不是单一字段，而是一条逐层抽象的表示链。最底层是语义标签，即对栅格、点云或像素赋予类别编号，例如把某片区域标为“可通行地面”。再往上是对象类别，把连续区域聚合为独立实例，如“椅子”“门”“充电桩”。每个实例再挂接属性，如颜色、材质、开合状态、可通行性。实例之间建立关系，如“椅子在桌子旁边”“门连接走廊与房间”。当实例与关系按空间结构组织起来，就形成场景图；当场景图进一步接入外部常识与规则，就上升为知识图谱。

二、语义标签与对象类别：从区域到实例

语义标签通常以栅格或体素形式存储，适合表达大面积、连续分布的区域，如地面、墙壁、草地、地毯。它的优点是存储紧凑、查询快，适合导航代价地图直接使用。对象类别则强调实例性，每个对象有唯一编号、位姿和包围盒，适合表达可移动、可交互的物体。

在部署中，常见做法是“语义标签 + 实例层”双通道：底层栅格保存可通行类别，上层对象列表保存实例。例如：

semantic_map:
  layers:
    - name: ground
      type: grid
      classes: [floor, carpet, grass]
    - name: objects
      type: instance
      classes: [chair, table, door, charger]
      attributes: [color, material, state, movable]

这样机器人既能用栅格做路径规划，又能用实例列表做“去充电桩”“找椅子”等目标查询。

三、属性与关系：让对象具备可判断性

属性是对象的“字段”，关系是对象之间的“边”。属性让机器人能筛选，例如“找一张可移动且空置的椅子”；关系让机器人能推理，例如“门在墙的左侧”“充电桩在走廊尽头”。常见关系包括空间关系（左、右、前、后、上、下、相邻、包含）、拓扑关系（连接、属于、位于）和功能关系（可充电、可开门、可抓取）。

关系表示通常采用三元组形式：(主语, 谓语, 宾语)。例如：

(chair_01, is_near, table_02)
(door_03, connects, corridor_A, room_201)
(charger_01, is_located_in, corridor_end)
(chair_01, has_attribute, movable=true)

三元组的好处是统一、可扩展、便于查询。机器人可以用类似 SPARQL 的查询语言检索“所有在走廊里且可充电的对象”，从而把语义地图变成可编程的知识库。

四、场景图与知识图谱：结构化与可推理

场景图是对当前环境的结构化快照，节点是对象实例，边是空间或功能关系。它强调“此刻这里有什么、怎么摆”。场景图通常随机器人探索增量构建，适合局部导航与任务规划。知识图谱则更强调跨场景、跨时间的常识与规则，节点可以是类别、地点、任务，边可以是“属于”“可到达”“需要经过”等。知识图谱让机器人具备泛化能力，例如知道“充电桩通常靠墙”“会议室里有桌子和椅子”。

五、案例场景：语义搜索与任务推理

假设机器人收到指令“去会议室旁边的充电桩充电”。在场景图中，机器人先找到“会议室”节点，再沿“旁边”关系找到“充电桩”实例，读取其位姿并规划路径。若当前场景图没有充电桩，知识图谱可提供规则“充电桩通常靠墙”，机器人转而搜索墙边区域，提高探索效率。这一过程体现了从标签到图谱的逐层支撑：栅格提供可通行区域，实例提供目标位置，关系提供空间约束，知识图谱提供缺省推理。

六、误区与复盘

复盘时建议检查三点：第一，标签、实例、属性、关系是否都有明确的命名规范与数据类型；第二，场景图是否支持增量更新与冲突消解；第三，知识图谱中的规则是否与机器人实际能力匹配，避免推理出无法执行的结论。只有表示层次清晰、关系一致、更新可控，语义地图才能真正支撑导航与交互任务。