上篇聊完宇树RL面试之后，有读者在群里问："宇树只招控制和RL吗？有没有偏视觉的方向？"当然有。宇树的Go2四足机器人和H1人形机器人都装了深度相机和RGB摄像头，视觉感知是让机器人理解环境的关键模块。但跟大疆的视觉岗比，宇树视觉面试的侧重点很不一样——大疆偏航拍场景下的高空俯视感知，宇树偏地面机器人视角下的近距离场景理解，特别是恶劣光照和动态环境下的鲁棒性。
这篇围绕3D目标检测、深度估计和语义分割三个方向展开。
3D目标检测：点云还是图像？面试官让你选
宇树的机器人同时搭载RGB相机和深度传感器，面试官经常从传感器选型开始考你。
"3D目标检测用点云做还是用图像做？各有什么优劣？"
基于点云的方法（比如PointPillars、CenterPoint）直接在3D点云上做检测，精度高、距离估计准，但激光雷达成本高、点云稀疏（远处的目标可能只有几个点），而且对天气敏感（雨雾天点云噪声大）。基于图像的方法（比如FCOS3D、SMOKE）用单目或者多目摄像头，成本低、纹理信息丰富，但深度估计天然不如激光雷达准，远距离精度衰减严重。
宇树的Go2机器人用的是深度相机（Intel RealSense或类似方案），本质上介于两者之间——既有RGB图像又有密集深度图。面试官追问："用RGB-D做3D检测，你怎么把2D检测结果转成3D包围盒？"
思路是：先用一个2D检测器（比如YOLOv8）在RGB图像上检测到目标的2D包围盒，然后从深度图中提取这个包围盒区域内的深度
