在几何结构高度相似、物品摆放相对固定的室内环境中，移动机器人的全局定位一直是个难题。杂货店里平行的货架通道和长尾分布的商品，办公室和实验室中重复出现的椅子、桌子、显示器和门，都会造成几何甚至语义上的模糊性。传统方法要么依赖独特的几何特征，要么使用针对特定领域设计的视觉流程，但这两类方法都难以应对长尾语义分布和瞬态视觉杂乱。
针对这一问题，研究人员提出了 VLM-GLoc，一种分层语义蒙特卡洛定位方法。该方法将开放词汇的视觉语言模型（VLM）作为统一的语义观测前端，替代传统的几何或领域特定特征提取器。作者认为 VLM 能带来三重好处：第一，从图像中提取具有高度判别力的丰富文本特征；第二，对模糊或动态物体进行隐式质量过滤；第三，通过永久性推理支持有针对性的数据增强。
VLM-GLoc 的核心创新之一是逆语义提议机制。该机制利用文本到地图的检索来初始化粒子，从而在定位开始时将粒子撒在更有可能的位置上，加速收敛并提高全局定位的鲁棒性。整个系统采用分层结构，将语义信息与蒙特卡洛定位框架有机结合。
为了验证方法的有效性，作者在两个具有不同特点的真实环境中进行了评估，并使用了两种不同的机器人平台。第一个环境是 3,500 平方英尺的杂货店，使用手机作为传感器平台；第二个环境是 3,700 平方英尺的实验室空间，使用四足机器人。实验结果显示，VLM-GLoc 在这两个环境中的全局定位成功率分别达到 70% 和 74%，大幅超越了仅依赖几何信息的传统方法和领域特定的基线方法。
这项研究展示了视觉语言模型在机器人定位任务中的潜力，尤其是在语义模糊和视觉杂乱的室内场景中。通过将开放词汇语义理解融入蒙特卡洛定位框架，VLM-GLoc 为移动机器人在复杂准静态环境中的自主导航提供了一种新的解决思路。该论文提交于 2026 年 5 月 28 日，属于机器人学（cs.RO）和计算机视觉与模式识别（cs.CV）交叉领域的研究。