本文总结了低成本稳定的2.5/3D视觉感知器件在室内环境视觉场景理解中的应用，探讨了数据表示、核心技术和性能评价。研究提出了基于场景图的三维语义理解、语义视图综合和视觉转换器等多种方法，以提高场景理解的准确性和多样性，并分析了不同视觉编码模型的优缺点，强调了未来选择编码器的灵活性。