在构建通用人工智能（AGI）的宏伟蓝图中，如何让机器像人类一样理解和处理空间信息，是一个基础而关键的挑战。无论是自动驾驶汽车感知周围环境，还是机器人灵巧地抓取物体，都离不开对空间关系的精确表征。本文将从人类的空间认知原理出发，深入探讨空间参考系的构建、分类及其在智能系统中的核心作用，为AGI的具身化实现提供理论基石。

一、空间认知的基石：参考系与不对称性

我们生活在一个三维世界中，但智能体（无论是生物还是机器）要理解这个世界，首先需要一套“标尺”和“原点”，这就是参考系。一个完整的空间参考系包含四个核心要素：原点（参考点的位置）、轴（如上下、左右、前后）、方向（每个轴的两个指向）以及尺度（单位长度）。有趣的是，我们构建参考系时对轴和方向的选取并非随意，而是深受世界空间不对称性的影响。

重力使得“上下”维度成为最显著的不对称轴；生物向前运动、感官集中于前方使得“前后”维度次之；而许多物体（如人体、建筑）的左右对称性，则让“左右”维度最不显著。这种不对称性源于功能与外观：杯子的开口朝上（功能）、电视屏幕朝前（交互面）、奇石有突出的“正面”（外观）。理解这种认知偏好，对于设计能自然与环境交互的AGI系统至关重要。例如，一个家庭服务机器人在识别“请把水杯放在桌子上面”这个指令时，必须内置对“上下”功能不对称性的理解。

二、空间关系的五种类型：智能体如何“定位”

空间关系描述的是一个物体（定位客体）相对于另一个物体或观察者（参考客体）的位置。认知科学将其细分为五种类型，这为机器表征空间提供了清晰的框架：

  • 基本关系：最粗略的标记，如“物体在这里”，仅表明占据空间，缺乏精确信息。
  • 外存（绝对）关系：基于地球固定方向（东、南、西、北、天、地）的关系，如“广东在广西东边”。这种参考系稳定不变。
    • 内在（客体中心）关系：基于参考客体自身不对称性构建坐标系。例如，“树在房子前面”利用了房子固有的“前面”。但一个完美的球体则无法提供这种内在方向。
  • 直证（观察者中心/相对）关系：以观察者自身的视角为坐标系。例如，“球在我的左边”。这个参考系会随着观察者转身而改变。
  • 类别关系 vs. 数量关系：这是对空间信息精度的划分。 类别关系关注抽象方位（如“上方”、“附近”），对于物体识别（如识别不同姿态的狗）至关重要；而数量关系则关乎精确的矢量方向和距离（如“前方20米”），是引导抓取、行走等动作的基础。大脑左右半球分别偏向加工这两种信息。

在编程实践中，不同的关系对应不同的数据结构。例如，在游戏引擎或机器人SLAM（同步定位与地图构建）系统中，绝对关系可能用世界坐标表示，而直证关系则需实时根据智能体的位姿矩阵进行计算。[AFFILIATE_SLOT_1]

三、参考系构建的核心争议：以谁为中心？

智能体究竟主要依赖哪种参考系来表征空间？学术界主要有三派观点：

  1. 自我中心参考系主导派：认为空间记忆高度依赖学习时的视角（视点依赖效应）。但该体系计算复杂（需通过自我位置间接推算物体间关系）且不稳定（随观察者移动而变）。一个关键问题是：参考系锚定在身体的哪个部位？是拥有众多感官的头部，还是作为身体主体的躯干？

研究人员通过“失谐范式”实验来探究这一点。实验中，被试需要判断物体相对于一个头部和躯干朝向不一致的虚拟人物的位置。 如图1所示，对于球c的位置判断，取决于被试是依据人物的头部方向还是躯干方向，从而量化了身体各部位对自我中心表征的贡献。

  1. 内在参考系主导派：认为稳定、持久的环境记忆主要基于场景或物体本身固有的结构。其构建受三大因素影响：
  • 场景结构：物体布局形成的“突出轴”（如一排物体构成的直线或墙面）会成为内在参考系的轴。实验表明，当记忆提取时的“想象站位”连线与这个突出轴一致时，成绩更好。
  • 客体朝向：当场景中多个物体朝向一致时，这个共同朝向可能成为参考系的方向。
  • 学习视点：首次学习场景的视角会对内在参考系的建立产生偏好，且一旦建立不易更新。
  1. 共存派：更主流的观点认为，两类参考系并存，并在不同场景下各司其职。内在参考系更适用于环境记忆和物体间关系的长期存储；而自我中心参考系则更多地参与实时感知和运动控制。实验证明，当物体规则摆放、有突出结构时，人们倾向于使用内在参考系；当环境杂乱无章时，则更依赖自我中心参考系。

四、从理论到实践：空间表征的编程启示

理解人类的空间认知机制，能为AGI和机器人系统的设计带来直接启发：

  • 分层架构设计：可以借鉴“类别”与“数量”双系统理论。高层规划模块使用粗糙的类别关系（“去厨房拿水杯”），而底层的运动控制模块则需要精确的数量关系进行伺服控制。这在Python的机器人框架（如ROS）或JavaScript/TypeScript的WebVR应用中很常见。
  • 混合参考系的应用：一个健壮的智能系统应能动态切换或融合不同参考系。例如，自动驾驶汽车同时需要：以车身为中心的雷达数据（自我中心）、以车道线为参考的路径规划（内在参考系）、以及GPS提供的绝对位置（外存参考系）。在Go或Java开发的高并发系统中，可以设计不同的“坐标转换服务”来高效处理这些参考系间的数据流转。
  • 处理不确定性：就像人类在杂乱环境中更依赖自我中心感知一样，当传感器噪声大或场景特征不明显时，算法应能增加对自身运动估计（里程计）的权重。

[AFFILIATE_SLOT_2]

五、总结与展望：通往具身智能的空间之路

空间坐标与参考系的研究，远不止是几何学问题，它是连接感知、认知与行动的桥梁。总结来说：1）智能体通过构建参考系来理解空间；2）参考系的选择深受世界不对称性和任务需求影响；3）类别与数量空间关系、自我中心与内在参考系共同构成了多层次、鲁棒的空间表征体系。

未来，随着神经科学与人工智能的进一步融合，我们有望设计出更接近人类空间认知能力的算法模型。例如，通过图神经网络（GNN）显式建模物体间的空间关系，或利用注意力机制动态选择参考系。让机器真正“理解”空间，是解锁其物理世界通用智能的必经之路。 这条从认知原理到工程实现的探索之路，正指引着我们走向更强大、更灵活的具身AGI。