在具身智能（Embodied AI）时代，机器人不仅需要"看见"世界，更要"理解"世界的三维结构与空间关系。本文系统梳理了具身智能中的核心视觉感知技术：从SAM分割与单目深度估计的3D场景理解，到YOLO系列演进与注意力机制的可解释性分析，再到手眼标定的坐标系统一。我们将通过原理讲解、代码实战与工程经验，构建一套完整的视觉感知技术体系。

在具身智能（Embodied AI）时代，机器人不仅需要"看见"世界，更要"理解"世界的三维结构与空间关系。本文系统梳理了具身智能中的核心视觉感知技术：从SAM分割与单目深度估计的3D场景理解，到YOLO系列演进与注意力机制的可解释性分析，再到手眼标定的坐标系统一。我们将通过原理讲解、代码实战与工程经验，构建一套完整的视觉感知技术体系。

在具身智能（Embodied AI）时代，机器人不仅需要"看见"世界，更要"理解"世界的三维结构与空间关系。本文系统梳理了具身智能中的核心视觉感知技术：从SAM分割与单目深度估计的3D场景理解，到YOLO系列演进与注意力机制的可解释性分析，再到手眼标定的坐标系统一。我们将通过原理讲解、代码实战与工程经验，构建一套完整的视觉感知技术体系。