本次分享聚焦机器人在不确定与极端环境中的空间感知问题，探讨感知系统从“依赖外部观测”向“以内在连续性为核心”的范式转变。

当前主流系统高度依赖视觉与激光雷达，在烟雾、黑暗、快速运动及结构退化等场景中容易发生系统性失效。受生物感知机制启发，本报告提出以内感知驱动的状态估计框架：利用惯性信息提供持续、稳定的自身运动基准，并将外部观测作为不确定环境下的动态校正。

在此基础上，构建具备退化感知、自适应融合与自主恢复能力的 Resilient SLAM 系统，并通过 SuperLoc、MSO、TartanIMU 与 Super Odometry 等工作，验证其在多平台、多场景及极端环境中的稳定性与可扩展性。进一步地，SuperMap 将可靠状态估计拓展至长期空间记忆，使机器人能够持续理解并记录动态世界。该研究展现了机器人感知从环境依赖走向内在驱动、从瞬时定位走向长期空间智能的演进路径。