来源：专知
高质量3D重建：神经场生成详细的3D环境表示，对于导航、操控和场景理解等任务至关重要 [24–28]。 多传感器融合：神经场可以无缝整合来自多种传感器的数据，如LiDAR和RGB相机，从而提供更稳健且适应性强的环境感知 [29, 30]。 连续且紧凑的表示：与体素网格或点云的离散性不同，神经场提供连续的表示，能够以更少的参数捕捉空间细节，提升计算效率 [22, 31]。 泛化与适应性：训练完成后，神经场可以生成场景的新视角，即使是先前未见过的视角，这对探索或操控任务特别有价值。这一能力得益于通用的NeRF方法 [32–34]。 与基础模型的集成：神经场可以与基础模型（如CLIP [35]或DINO [36]）结合，使机器人能够理解并响应自然语言查询或其他语义输入 [37, 38]。
姿态估计：重点探讨神经场在相机姿态估计、物体姿态估计以及同时定位与地图构建（SLAM）中的应用（第III-A节）。 操控：讨论神经场的精确3D重建如何协助机器人操控物体（第III-B节）。 导航：探讨神经场如何通过提供对真实环境的精确和高效感知来增强机器人导航（第III-C节）。 物理：研究神经场如何帮助机器人推理物理交互，以改进其对现实动态的理解（第III-D节）。 自动驾驶：重点介绍神经场在构建真实世界的写实模拟器中的作用（第III-E节）。
