gaojie/worldmodel
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
bec8a9a4a3437349b08e4baee4c42c05673e1234
worldmodel/plans/PRISM/rate.md
T

7.1 KiB
Raw Blame History

PRISM 技术难度评分

总分：62 / 100 评分日期:2026-05-16 评分版本:PRISM v1.2.0 评分人:Code Assistant (基于公开机器人/感知技术常识与 PRISM v1.2.0 全文档)

1. 评分坐标系

用机器人 / 感知圈常见难度对标:

分数 系统画像
100 通用人形机器人开放世界 (Tesla Optimus / Figure 02 等)
90 端到端 VLA + 长时记忆 (PaLM-E / RT-2 / OpenVLA 在真机稳定跑)
80 大规模多机协同 SLAM (Spot 机群)
70 单机 Lifelong SLAM + 语义记忆 (ConceptGraphs / OK-Robot / Habitat-Lab 上线)
60 PRISM 这一档 — 单楼层语义 + 几何混合记忆 + 重定位 + 巩固
50 ROS 2 + ZED VIO + YOLO 跑通基础感知
30 装好 ROS 2,能录 rosbag
0 没装环境

2. 分项打分(合计 62/100)

维度 满分 PRISM 评注
架构原创性 15 11 四层 L1–L4 + 巩固机制清晰但已有先例(CMU CoBot 三层、ConceptGraphs 双层、HSSM 多层);"先验是宪法、实时是补丁"是有价值的工程哲学,但不算颠覆性。
系统集成复杂度 15 12 同时接 iPhone RoomPlan + ZED SDK + ROS 2 + Open3D + CLIP + YOLO-World + Neo4j + 3DGS 等 ≥ 12 个异构组件,跨 iOS/Linux/Jetson 三平台,集成本身就是硬骨头。
算法深度 15 7 几乎不发明新算法 — CLIP 检索、ICP 配准、TSDF 融合、YOLO 检测、DBSCAN 聚类全是现成。"两段式重定位"是工程组合而非新算法。本项明显失分。
核心问题难度 10 8 "异构传感器混合时空记忆 + 长期一致性"本身是博士论文级问题,PRISM 没回避它(直面差异检测 + 巩固 + 冲突仲裁)。
工程可落地性 10 9 极少见的"读完真能跑"的方案 — 5 步 MVP、8 周路线图、确定硬件、确定传输协议。本项非常突出。
失败案例预案 8 8 6 大风险分类 × 概率/影响矩阵 × 缓解 × 监控指标。AGPL 传染、ArUco 兜底、巩固回滚都覆盖,完备度罕见。
评测体系 7 5 给出自建 HotelScene-Bench + 横向对接公开 benchmark,但都未真正跑过,只是接口描述。
代码就绪度 10 6 ~2,500 行示例代码可直接 copy-paste,但没有任何一行被运行过 — schema/parser/relocalizer 全是"理论代码",distance-to-working-bits ≈ 4-6 周。
可扩展性 5 3 户外、多机器人、动态变形物体(窗帘/门)几乎未覆盖;停留在"单楼层室内"。
理论深度 5 1 几乎没有数学 — 没有定理、没有收敛性证明、没有信息论或贝叶斯框架的统一描述。
合计 100 62 —

3. 三个分数支撑

3.1 为什么是 62 分(中上)

  1. 工程合理性满分 — 这套方案给一支 4-人小组 8 周,真的能跑出 demo。这是大量学术系统做不到的(参考 NeRF-SLAM / Splat-SLAM 论文一堆但工程上跑不通)。
  2. 覆盖维度齐 — 从 iPhone 端 Swift App、Mac 工作站 ingest、Jetson 上线推理、充电桩巩固,到 LLM Agent 查询,端到端闭环。
  3. 现实风险预案优秀 — AGPL 传染、Apple SDK 闭源、ArUco 兜底、隐私过滤、回滚机制,这些在学术论文里几乎不会出现,反映出明显的工业经验。

3.2 为什么不是 80 分(上等偏上)

  1. 没有新算法贡献 — 所有"创新点"都是已知算法的工程组合:
    • CLIP+ICP 二段重定位 → Hloc 2020 / NetVLAD 2016 已用
    • TSDF + 3DGS 双稠密 → NeRF-SLAM / Splat-SLAM 2023 已做
    • 场景图 + Neo4j → ConceptGraphs 2023 已做
    • 睡眠巩固 → 受 hippocampus replay 启发,Sun et al. 2019 已有原型
  2. 代码 0 运行 — 所有 schema / 算法 / 接口都是纸上代码。真上手会发现:
    • ARKit 帧同步问题
    • ZED 与 iPhone 坐标系手性差异
    • TSDF 与 OctoMap 双写一致性
    • pending.jsonl 写并发竞争 …… 都是会咬人的实战陷阱。
  3. 避开了真硬核 — 动态环境 SLAM 漂移补偿、3DGS 增量重训(其实远不止"warm-start")、多模态特征对齐数值稳定性、长时特征漂移 — 全跳过了。

3.3 为什么不是 40 分(中下)

  1. 没有犯方向性错误:

    • 选 iPhone + ZED 而不是搞自定义双目硬件 ✓
    • 选 CLIP 召回再 ICP 精配,不死磕端到端 reloc 网络 ✓
    • 选 Neo4j,不死磕自研图数据库 ✓

    每个选择都符合 2026 当下工业 ROI。

  2. 文档质量本身是 A+ — 结构 + 版本号 + 缩略语表 + 风险矩阵 + Gantt 路线图 + MVP demo + 统计自动化,这是学术发表也常不及的。

4. 一句话评价

"它不是一项研究,它是一份非常专业的产品蓝图。"

所有难点都被识别、被分类、被指派给现成工具;但真正难的部分(lifelong consistency, dynamic scene, semantic drift, RL-style 决策)几乎都被'委托给未来'或者'交给外部模型'。

4.1 双视角加权

难度视角 分数 解释
"完成它需要多少新发明" ~35 几乎所有算法都是 off-the-shelf
"完成它需要多少工程能力" ~75 12+ 个异构组件、3 平台集成、SOP 级运维
加权平均 ~62 强工程、弱研究的优秀技术蓝图

5. 把它推到 80+ 的 4 条建议

  1. 加 1-2 个算法新点:比如

    • "基于 CLIP 嵌入相似度的差异聚类自动阈值"
    • "3DGS 增量重训的 forgetting-free 策略"
    • "在线特征漂移的对抗式校准" 选一个跑出对比实验。

  2. 真跑一个 baseline:哪怕只跑 14_mvp.md 的 5 步,把数字(cm 误差、ms 延迟)替换成真实测量,PRISM 立刻从"方案"升级为"系统"。

  3. 形式化四层耦合:用一个统一的概率图模型 / 信念更新方程描述 L1 → L4 的写入与查询,PRISM 就有理论骨架,可以投 ICRA / RSS。

  4. 覆盖动态场景:现在 PRISM 假设"家具大部分不动"。把"人走动 + 物品频繁移位"的真实 hotel 场景纳入正式评测,难度立刻 +15 分。

6. 同类项目对标

项目 大致分数 备注
ConceptGraphs (CMU 2023) 68 双层场景图 + LLM,有真实数据集 + 跑通
OK-Robot (FAIR 2024) 72 open-vocabulary 抓取,跑了 10 个家庭
Spot SDK + Atlas 80 Boston Dynamics 商用栈,多机协同
PRISM v1.2.0 62 完备的设计 + 0 运行验证
PRISM v2.0 (目标) 75+ 跑通 MVP + 加 1 个算法贡献

7. 评分注意事项 / 局限

  • 本评分未考虑商业价值,仅看技术难度。商业上 PRISM 在酒店服务机器人垂类有很强落地性,这是另一维度。
  • 评分参考了 PRISM v1.2.0 的 17 章正式文档,没有访问真实代码仓库(因为目前还没有)。
  • 如未来 PRISM 发布原型实现 + 真实数据 + 新算法,分数将显著上调。

评分版本:v1.0 对应 PRISM 版本:v1.2.0 最后更新:2026-05-16

Reference in New Issue View Git Blame Copy Permalink