超越边界框： 企业AI中物理约束 智能的必要性

Veriprajna 白皮书

执行摘要

在企业人工智能的高风险赛场上，检测 一个物体与理解其本质之间的区别绝非单纯的语义问题——它决定着 运营成功与灾难性失败。这一现实在10月得到生动展现 2020年，在苏格兰冠军联赛足球比赛中，因弗内斯喀里多尼亚蓟队与 埃尔联队对阵。一套新安装的自动化摄像系统，旨在自主 通过跟踪足球转播比赛，以一种既滑稽又 富有教益的方式失败了。该AI系统没有跟随比赛进程，而是反复把镜头从 高速对抗上移开，去放大特写边线上一名边裁的光头。

对无法看到进球的家庭观众而言，这场比赛令人沮丧。 对AI架构师而言，这却是一次启示。该系统很可能基于类似YOLO（You Only Look Once）或SSD（Single Shot Detector）的标准判别式深度 学习架构构建， 正确地识别出了一种视觉模式：一个圆形、浅色、纹理 在体育场泛光灯下类似合成球体的物体。在计算机视觉的术语中， 边裁的头就是一个“球”。系统失败是因为它完全依赖视觉 概率，而忽视了物理可能性。它缺少上下文框架去 理解足球遵循抛体运动定律、在撞击时加速， 并且不可能在物理上附着在以步行速度移动的人体躯干上。

这一事件成为当前工业AI状态的标志性寓言。我们正在 目睹“封装式”方案的饱和——叠加在通用大 语言模型（LLM）或预训练计算机视觉API之上的薄应用层。这些系统擅长 概率性模式匹配，但一旦面对 物理世界的确定性约束就会崩溃。它们能检测，却不能理解。

在Veriprajna，我们认为人工智能的下一个前沿不在于更大的 参数数量，而在于物理约束视觉系统 。通过将 不可改变的物理定律——运动学、热力学以及 能量守恒——直接嵌入神经网络架构与推理逻辑，我们把脆弱的检测 模型转变为稳健的理解引擎。本白皮书阐明这一 转变的必要性，详述通用视觉的技术失效模式、 基于物理的约束的数学基础，以及从 体育科技到半导体制造与自主系统等行业对“深度AI”的经济必要性。

1. 秃头边裁寓言：AI失效的法证 分析

要理解解决方案，必须首先无情地剖析问题。因弗内斯 喀里多尼亚蓟队事件常被当作幽默的技术故障一笑置之，但它 代表了纯数据驱动、判别式计算机视觉的根本极限。 ¹

1.1 技术：自动转播与纹理偏置

所涉系统使用了Pixellot摄像阵列，这是一套精密的自动化体育 制作方案，旨在通过取消人工摄像来让转播民主化 操作员。 ¹ 这类系统通常采用全景、高分辨率光学组件来 捕捉整片球场，再利用软件层生成“虚拟裁切”——一种数字 平移-变焦，用以模拟广播级摄像机的输出。 ²

驱动这台虚拟摄像机的核心算法依赖目标检测，以识别每一帧中的感兴趣 区域（ROI）。深度学习模型，尤其是卷积神经 网络（CNN），通过把图像分解为层次化 特征——边缘、曲线、纹理和形状——来学习识别物体。然而，广泛部署的架构往往 严重偏向纹理而非结构逻辑。

在因弗内斯这场比赛中，边裁头部的视觉语义构成了一个对抗性 样本。

●​ 视觉相似性 ：边裁的光头呈圆形、发亮，并被明亮的 体育场灯光照射，形成镜面高光。 ³ 在该场比赛的特定光照条件下， 头部的像素梯度对该所用模型而言，在统计上与 足球无法区分。

●​ 置信度校准 ：跟踪逻辑很可能优先选择具有最高 “置信度分数”的目标。如果阳光或泛光灯在边裁头上产生反光， “球”的置信度分数可能飙升至98%，而真正的球——正在 快速移动、模糊或穿过阴影——登记的置信度可能 只有80%。

●​ 结果 ：该系统被编程为跟随最高置信度信号，于是锁定 在头上。 ⁴

1.2 上下文缺口：语义歧义 vs. 物理不可能

失败发生是因为模型在物理上下文的真空中运行。它 把视野当作“特征袋”来处理，识别出一个“圆的东西”，却没有 理解球的_概念_。 ¹

人类观察者——或物理约束AI——能立刻把头与球区分开， 依据的不仅是纹理，还有运动学上下文：

●​ 连通性 ：头附着在身体上。球是离散、不相连的实体。

●​ 速度 ：边裁以0–15 mph移动。比赛中的足球以0–80 mph移动。

●​ 轨迹 ：头大致保持5–6英尺（约1.7米）的相对恒定高度。

球沿重力定义的弧线运动，在球场上弹跳，或沿地面滚动。 ⁵ AI看见了一个“球”。它并不理解：一个以3 mph、在恒定高度 5.5英尺移动、附着在竖直圆柱体（躯干）上的“球”，违背了 比赛中足球的物理轮廓。通用模型缺少源自物理学的“常识”来 拒绝这一误报，说明了仅依赖视觉概率的AI有多么脆弱。 ³

2. 企业中通用计算机视觉的极限

“光头”问题并非体育独有；它普遍存在于任何把 通用、现成的计算机视觉（CV）API应用于动态、物理 环境的场合。对纯数据驱动方法的依赖会带来特定失效模式， 在零售中代价高昂，在汽车中十分危险，在制造业中具有毁灭性。

2.1 静态帧偏置与时间失忆

大多数通用目标检测API（例如主要云超大规模厂商提供的那些） 把视频当作独立图像序列来处理，而不是连续的 时间序列数据。这被称为帧独立推理 。

在该范式中，推理引擎分析帧 $t$，在坐标处检测到一个“球” $(x_1, y_1)$，然后遗忘一切。它继续处理帧 $t+1$，检测到一个“球”（即 头部）位于 $(x_2, y_2)$，并返回该结果。该系统不会原生强制执行 二者之间距离这一约束 $(x_1, y_1)$ 与 $(x_2, y_2)$ 必须在物理上 就给定时间间隔而言是合理的 $\Delta t$。 ⁶

这种时间一致性的缺失，使跟踪器可以瞬间跳过画面 落到误报上，只要视觉置信度如此提示。在制造场景中，这 表现为缺陷检测系统“闪烁”：在一帧中标出缺陷，而在 下一帧仅仅因为光照角度的轻微变化就忽略它。 ⁷

2.2 遮挡问题：客体永久性

在物理世界中，物体被挡住时并不会停止存在。在 通用计算机视觉的世界里，它们却常常如此。遮挡——一个物体挡住 另一个物体的视线——是体育与工业物流中跟踪失败的主要原因。 ⁸

●​ 通用响应 ：当球员跑到摄像机与球之间时，目标 检测器找不到球。置信度分数降为零。跟踪器宣布 该物体“丢失”，并通常重置或停止。

●​ 企业后果 ：在零售“Just Walk Out”商店中，如果顾客把一件 商品放进包里，手在一瞬遮住该商品，通用 系统就会丢失对该SKU的跟踪。这会导致漏计费或错误指控盗窃， 损害顾客体验。 ⁹

●​ 物理现实 ：以20 m/s运动的球即使不可见，仍将大致以20 m/s （减去阻力）继续运动。物理约束系统维持该物体的存在 于其状态记忆中，在遮挡后方“幻觉出”其位置，依据 其遮挡前轨迹。 ⁶

2.3 误报的高昂代价

在因弗内斯比赛中，一次误报意味着不满的球迷和公关尴尬。在 工业应用中，误报直接侵蚀利润率。

表1：各行业误报的经济影响

行业	误报 情景	后果	业务影响
体育 转播	跟踪裁判的 头而不是 球。	镜头移开 离开球门； 无法观看的 流媒体。	订阅用户流失； 声誉 损害。4
半导体 制造	把灰尘/噪声标成 电路缺陷。	合格晶圆被 报废或送去 人工复核。	良率损失； 劳动力 成本上升；瓶颈化的 生产。10
自动驾驶 车辆	“幽灵制动” 针对阴影/标志。	车辆猛踩 公路上的刹车。	碰撞风险； 乘客受伤； 监管召回。11
零售安防	把正常的 购物行为标成 盗窃。	错误指控； 结账处的 摩擦。	顾客 疏离； 运营 低效。9

在半导体制造中，良率尤其是盈利能力的首要驱动因素。如果 自动光学检测（AOI）系统误报率很高，制造商就 必须雇请人类专家复核数千张图像，或者更糟，报废仍可使用的产品。 研究表明，缺陷检测准确率仅提高1%即可带来5–10% 的良率提升，每年节省数百万。 ¹⁰ 通用“封装式AI”缺乏精度去 区分致命缺陷与无害表面变异，因为它并不建模 光与材料的_物理_相互作用。

3. 物理约束视觉：Veriprajna 方法论

Veriprajna有别于通用AI咨询机构，因为它构建物理约束 视觉系统 。我们并非仅仅封装开源模型；我们把现实包裹在AI周围。 我们的系统采用混合架构，从根本上改变 像素与预测之间的关系。我们把深度学习模型的输出不当作“事实”，而当作 必须对照不可改变的物理定律加以验证的“含噪测量”。

3.1 混合架构：确定性逻辑 + 概率性 感知

我们方法的核心，是把确定性状态估计整合进 概率检测回路。我们采用严谨的数学框架，把 神经网络的输出通过物理引擎进行过滤。

混合智能方程：

$$\text{State}_{final} = \text{PhysicsFilter}(\text{NeuralNet}(\text{Image}), \text{PhysicalConstraints})$$ 该架构确保：除非在运动学、 几何与时间上一致，否则任何检测都不会被接受。

3.2 用卡尔曼滤波器进行状态估计

我们系统中强制运动学一致性的主要机制是卡尔曼 滤波器及其非线性变体（扩展卡尔曼滤波器 - EKF、无迹卡尔曼滤波器 UKF）。 ⁵

3.2.1 轨迹预测的力学

卡尔曼滤波器维持关于物体状态的概率信念（其位置、 速度和加速度），以及至关重要的，该信念的不确定性（协方差）。 ⁵ 它 在连续的“预测-更新”循环中运行：

1.​ 预测（物理步骤） ：在视觉系统处理下一帧之前， 卡尔曼滤波器根据其先前状态和 牛顿力学，预测物体_必须_所在的位置。

○​ 情景 ：球位于中场（$x_0$），以20 m/s向东运动（$v_x$）。

○​ 预测 ：在0.04秒内（$\Delta t$），球将位于 $x_{new} = x_0 + v_x \Delta t$。由于过程噪声，该预测的不确定性略微扩大 （风、旋转）。

2.​ 测量（视觉步骤） ：计算机视觉模型扫描该帧并 返回候选检测：

○​ 候选A ：与预测位置匹配的“球”。

○​ 候选B ：在15米外位置的“球”（头）。

3.​ 更新（融合步骤） ：滤波器将预测与测量进行比较， 使用新息项（预测与 测量之间的残差）。

○​ 拒绝逻辑 ：“头”这一候选产生巨大的新息值。它 意味着球以足球在物理上不可能达到的速率加速。滤波器 计算马氏距离——衡量测量偏离预测多少个标准 差的统计量。如果该距离超过 阈值（例如3个西格玛），则无论 视觉置信度分数如何，该测量都被拒绝为离群点。 ¹²

3.2.2 卡尔曼增益

滤波器动态调整其信任度，使用卡尔曼增益（$K$) 。 ¹²

$$\hat{x}_{k|k} = \hat{x}_{k|k-1} + K_k (z_k - H \hat{x}_{k|k-1})$$

●​ 如果视觉系统有噪声（例如大雨、模糊），测量噪声协方差 （$R$）增大。卡尔曼增益下降，使系统更信任_物理_ 预测_而非_视觉测量 。

●​ 这一机制让系统能够平滑地“滑行”穿过遮挡或瞬时 故障（如光头），而不偏离真实路径。

3.3 作为硬约束的光流

在概率滤波之外，我们把光流用作跟踪中的硬约束。 ¹⁴ 光流计算连续帧之间像素的运动向量。

●​ 逻辑 ：空中运动的足球产生特定流场。一名 静止的边裁产生近零流场（或与摄像机 平移相匹配的流场）。

●​ 约束实现 ：我们施加约束：$ \text{ObjectVelocity} > \text{Threshold} $。如果目标检测器识别出一个“球”，但该处光流 表明物体相对地面静止，则该检测被 立即判定无效。

●​ 拉格朗日乘子 ：在高级实现中，我们把跟踪当作有约束的 优化问题。我们求解使视觉误差最小的轨迹，服从 物体必须遵守光流方程（$ \nabla I \cdot v + I_t = 0 $）。这把“软”偏好转变成“硬”数学要求。 ¹⁴

3.4 物理信息神经网络（PINN）

对于简单牛顿力学不足的复杂环境——例如 预测受马格努斯效应作用的球的曲线，或为工业 管道中的流体流动建模——Veriprajna部署物理信息神经网络（PINN） 。 ¹⁵

3.4.1 PINN创新：把定律编码进损失

标准神经网络优化参数，以最小化预测与 标注数据（$\text{Loss}_{data}$）之间的误差。它们容易过拟合，并且可能预测出物理上 不可能的状态，如果训练数据含有噪声。

PINN引入一项正则化项，该项来自底层微分方程 支配该系统：

$$\text{Loss}_{total} = \text{Loss}_{data} + \lambda \text{Loss}_{physics}$$

●​ $\text{Loss}_{physics}$ ：该项评估支配物理 方程（例如纳维-斯托克斯方程或抛体运动方程）的残差。如果 网络预测出一条球在无外力作用下在半空转向的轨迹，则 微分方程被违反，并且 $\text{Loss}_{physics}$ 激增。 ¹⁶

●​ 训练效果 ：训练期间，网络不仅因未命中目标而受罚， 也因违反物理定律而受罚。它实质上“学会”重力、动量和 能量守恒。

●​ 结果 ：PINN所需训练数据远少于标准网络，因为 可能解的搜索空间被物理约束急剧缩小。它 对未见情景泛化更好，因为它理解比赛规则，而不仅仅是 比赛的历史。 ¹⁵

4. 深入探讨：工业应用与案例研究

虽然“光头”事件清楚地说明了问题，但 物理约束视觉的应用远不止体育，它还应对 高价值行业中的关键挑战。

4.1 体育科技：3D现实

足球是在重力场中运动的3D物体，但大多数摄像机只看到2D 平面。Veriprajna系统弥合这一缺口。

●​ 3D轨迹重建 ：通过使用3D卡尔曼滤波器，我们估计深度 （$z$轴）的球，基于尺度变化与重力加速度约束 （$y$轴加速度必须等于 $-g$）。 ¹³

●​ 旋转与空气动力学 ：高级模型纳入气动阻力和 马格努斯效应（旋转）。“指关节球”的运动不同于弧线任意球。一个 物理约束模型可以从初始轨迹识别射门类型并 预测曲线，使摄像机能够_领先于_动作平移，而不是对 其作出反应。 ¹⁸

●​ 语义一致性 ：为专门解决因弗内斯问题，我们实施 语义运动学检查。我们分类“轨迹”而不只是物体。一条 在数分钟内保持1.7米恒定高度的轨迹，在语义上被分类为 “人类”，无论其视觉纹理如何。一条呈现高方差速度的轨迹被 分类为“抛体”。

4.2 半导体制造：零缺陷检测

在半导体制造的纳米尺度世界里，一次误报的代价 极为高昂。

●​ 问题 ：通用AI可能把2nm尘粒标成“致命缺陷”，因为它 看起来像短路。

●​ Veriprajna方案 ：我们利用多视图几何约束。 ¹⁹ 通过从多个角度成像 晶圆，我们应用对极几何来验证缺陷。物理上的 凹坑或划痕会以可预测的方式移位（视差）。表面污渍或灰尘 颗粒的表现可能不同。如果缺陷候选不满足三角测量的几何 约束，它就被当作表面伪影排除，从而避免晶圆被 报废。 ²⁰

●​ 经济影响 ：通过降低误报，我们直接改善“一次通过良率” 这一指标，它是半导体经济学中最关键的单一KPI。 ¹⁰

4.3 自主系统：解决“幽灵制动”

“幽灵制动”发生在自动驾驶汽车的视觉系统把 阴影、桥梁或路标误判为障碍并猛踩刹车时。 ¹¹ 这是 物理推理的失败。

●​ 失败 ：基于对比度的系统看见横跨路面的暗带（阴影）并 将其分类为“墙”或“车辆”。

●​ 物理约束 ：公路上的静止障碍具有3D结构。阴影位于 路面平面上。Veriprajna主张进行时间一致性检查，使用 光流。通过分析若干帧上的“障碍”，我们可以确定其 相对路面的高度。如果光流表明高度为零（该物体 恰好随路面纹理一起运动），系统就禁止制动，覆盖目标 检测器。 ¹¹

●​ 传感器融合 ：我们采用“传感器融合作为真值锚”。摄像机可能被 光线欺骗，而雷达与LiDAR（飞行时间传感器）提供距离上的地面真值。 物理逻辑规定：如果视觉说“障碍”而雷达说“空旷空间”，则 系统必须基于物理合理性进行仲裁。 ²¹

5. 经济论证：2025年的自建 vs. 外购

对企业领导者而言，实施AI的决策往往是在购买 现成API（“封装式AI”）与构建定制方案之间的选择。“光头”事件 澄清了这一选择的经济学。

5.1 “90%陷阱”

通用API让公司能够快速且廉价地达到90%准确率。它们可以在标准条件下识别 一个球、一辆车或一个缺陷。

●​ 最后的10% ：商业价值——以及商业风险——完全在于最后的10%。 这一区段包含边缘情况：光头、路面阴影、 遮挡、罕见缺陷。

●​ 失败成本 ：通用API在边缘失效。在体育中，这意味着失去订阅用户。 在制造业中，这意味着失去良率。在自主系统中，这意味着责任。

●​ Veriprajna价值主张 ：我们把差距从90%弥合到99.99%，通过加入

物理层 。我们不单纯依赖可能稀疏或有偏的数据；我们依赖 物理学，它是普遍且不可改变的。

5.2 总拥有成本（TCO）分析

虽然定制物理约束系统的初始资本支出（CAPEX）高于封装式API， 但运营支出（OPEX）与风险状况对关键任务而言更有利于“自建”路径。 ²²

表2：自建 vs. 外购战略分析

特性	封装式API（“外购” 路径）	物理约束 系统（Veriprajna）
初始成本	低（基于订阅）	中等/高 （工程成本）
准确率	标准数据上高；在 边缘情况下低。	标准数据上高； 边缘情况下稳健。

误报	频繁（需要人工 复核）。	极少（由 物理学过滤）。
数据隐私	数据往往离开 场所/云。	完整数据 主权/可本地 部署。
知识产权所有权	无（供应商锁定）。	对模型与逻辑拥有 完整所有权。
长期TCO	高（扩展成本 + 错误 成本）。	低（摊销后的构建成本 + 效率收益）。

正如行业报告所指出，购买平台可以加快实现价值的时间，但构建 专有、具备物理感知的方案会形成防御护城河和长期运营 韧性。 ²³

6. Veriprajna方案的技术架构

当Veriprajna与客户合作时，我们部署一套标准化而又灵活的架构， 专为物理约束推理而设计。这条“Phys-Vision”流水线确保每一个 像素都经过逻辑审查。

6.1 流水线步骤

1.​ 采集 ：高帧率视频流（优先Raw/Bayer，以避免压缩伪影 干扰光流算法）。

2.​ 预处理 ：畸变校正（对准确的运动学测量至关重要）。

3.​ 概率检测（“假设”） ：

○​ 运行先进CNN（例如EfficientDet、YOLOv8）以生成候选 边界框。

○​ 输出 ：, 。

4.​ 确定性验证（“检验”） ：

○​ 运动学门 ：候选是否位于_预测感兴趣区域_（ROI），来自 卡尔曼滤波器？

○​ 光流门 ：框内像素运动是否匹配该物体的 期望速度剖面？

○​ 几何门 ：物体尺寸是否满足3D透视约束，相对于 摄像机位置？。 ²⁵

5.​ 状态更新 ：

○​ 若已验证 ：更新卡尔曼滤波器状态。

○​ 若已拒绝 ：当作离群点/杂波处理。

6.​ 动作 ：平移摄像机 / 触发机器人 / 向操作员告警。

6.2 高级实现：哈密顿神经网络（HNN）

对于要求严格能量守恒的系统（例如轨道力学或机械臂 操作），我们使用哈密顿神经网络 。 ²⁶

●​ 概念 ：HNN不直接学习向量场，而是学习 哈密顿量（表示系统总能量的标量函数， $H = T + V$）。

●​ 机制：网络输出 $H$，系统计算梯度：​ ​ $$\frac{dq}{dt} = \frac{\partial H}{\partial p}, \quad \frac{dp}{dt} = -\frac{\partial H}{\partial q}$$

●​ 益处 ：这保证系统是辛的——它在 相空间中保持体积。实践上，这意味着我们的跟踪预测不会“漂移”或在长时域上 人为地获得/失去能量，而这是标准 循环神经网络（RNN）中的常见失效。 ²⁸

7. 结论：上下文即新的准确率

“光头”事件是对严肃现实的幽默警示。当我们把更多 控制托付给AI——在工厂、车辆和体育场中——我们必须要求的不只是统计 相关。我们必须要求物理一致性。

通用AI模型把世界看成纹理的集合。它们不知道球会 弹跳、汽车不能瞬间停下，或物体被遮挡后仍然存在。在 Veriprajna，我们相信目标检测并非目标理解 。

我们构建物理约束视觉系统，因为我们不只是寻找球；我们使用 卡尔曼滤波器预测其轨迹、光流验证其运动，以及热力学 以确保其合理性。

你的AI知道球和头的区别吗？如果它只依赖像素， 答案是“有时”。如果它依赖物理学，答案是“总是”。

Veriprajna：面向确定性世界的深度AI方案。

#SportsTech #ComputerVision #AI #Engineering #PhysicsInformedAI #Veriprajna

参考文献

1. Report 1559 - AI Incident Database，2025年12月11日访问， t fb https://incidentdatabase.ai/reports/1559/

2. AI-Controlled Camera Follows Bald Referee's Head Instead of the Ball t fb Bitdefender，2025年12月11日访问， https://www.bitdefender.com/en-us/blog/hotorsecurity/ai-controlled-camera-follfows-bald-referees-head-instead-ball

3. AI's Confusion Over a Bald Head Demonstrates One Area Where Artificial Intelligence Needs Improvement - My TechDecisions，2025年12月11日访问， https://mytechdecisions.com/it-infrastructure/ai-bald-head/

4. AI Camera Ruins Football Game By Mistaking Referee's Bald Head For Ball - NDTV，2025年12月11日访问， https://www.ndtv.com/offbeat/ai-camera-ruins-football-game-by-mistaking-referees-bald-head-for-ball-2319171

5. Kalman filtering | Computer Vision and Image Processing Class Notes - Fiveable，2025年12月11日访问， https://fiveable.me/computer-vision-and-image-processing/unit-9/kalman-filtering/study-guide/uOR622FiNSXNONR4

6. TOTNet: Occlusion-Aware Temporal Tracking for Robust Ball ... - arXiv，t fb 2025年12月11日访问， https://arxiv.org/pdf/2508.09650?

7. The Role of False Positives in Automated Visual Inspection - UnitX，t fb 2025年12月11日访问， https://www.unitxlabs.com/false-positive-machine-vision-system-inspection-errors-impact/

8. Overcoming Occlusion in Object Detection for Sports Analytics with Annotation & Post-Processing | AskGalore，2025年12月11日访问， https://askgalore.com/whitepaper/occlusion-problem-ai-computer-vision-sports-analytics

9. Defining false positives: Why outcomes matter with Vision AI | SeeChange，2025年12月11日访问， https://seechange.com/defining-false-positives-why-outcomes-mater-with-visiotn-ai/

10. Traditional vs. AI Methods in Semiconductor Defect Detection - Indium Software，2025年12月11日访问， https://www.indium.tech/blog/traditional-vs-ai-semiconductor-defect-detection/

11. How To Deal With Tesla Phantom Braking Problems - Auto Scandia，t fb 2025年12月11日访问， https://autoscandia.com/how-to-deal-with-tesla-phantom-braking-problems/

12. Kalman filter - Wikipedia，2025年12月11日访问， t fb https://en.wikipedia.org/wiki/Kalman_filter

13. Depth-Based Tracking with Physical Constraints for Robot Manipulation，2025年12月11日访问， https://rse-lab.cs.washington.edu/papers/DepthBasedTracking-icra-2015.pdf

14. Optical Flow Constraints on Deformable Models with Applications to Face Tracking - University of Pennsylvania，2025年12月11日访问， https://repository.upenn.edu/bitstreams/38a7b702-3449-45c1-880a-4f26566f9f4e/download

15. Physics-informed Machine Learning | PNNL，2025年12月11日访问， https://www.pnnl.gov/explainer-articles/physics-informed-machine-learning

16. Physics-informed neural networks - Wikipedia，2025年12月11日访问， https://en.wikipedia.org/wiki/Physics-informed_neural_networks

17. What Are Physics-Informed Neural Networks (PINNs)? - MATLAB & Simulink MathWorks，2025年12月11日访问， https://www.mathworks.com/discovery/physics-informed-neural-networks.html

18. Kinematic 3D Object Detection in Monocular Video - Computer Vision Lab Michigan State University，2025年12月11日访问， http://cvlab.cse.msu.edu/project-kinematic.html

19. Geometric Verification Using Semi-2D Constraints for 3D Object Retrieval Computer Vision，2025年12月11日访问， https://vision.unipv.it/CV/materiale2016-17/1st%20Choice/0223.pdf

20. 3D Object Modeling and Recognition Using Local Affine-Invariant Image Descriptors and Multi-View Spatial Constraints - Svetlana Lazebnik，2025年12月11日访问， https://slazebni.cs.illinois.edu/publications/ijcv06.pdf

21. Tesla drivers report a surge in 'phantom braking' - Hacker News，2025年12月11日访问， https://news.ycombinator.com/item?id=30179681

22. Build vs Buy Software in 2025: Cost, ROI and Decision Guide - Appinventiv，2025年12月11日访问， https://appinventiv.com/blog/build-vs-buy-software/

23. Build or Buy for Vision Automation — What's the Difference - Wevolver，2025年12月11日访问， https://www.wevolver.com/article/build-or-buy-for-vision-automation-whats-the-diferencef

24. Build vs. buy: computer vision AI for telecom and utilities field operations - IQGeo，2025年12月11日访问， https://www.iqgeo.com/blog/build-vs.-buy-computer-vision-ai-for-telecom-and-utilities-field-operations

25. Real time face detection using geometric constraints, navigation and depth-based skin segmentation on mobile robots - SciSpace，2025年12月11日访问， https://scispace.com/pdf/real-time-face-detection-using-geometric-constraints-835fe04b2e.pdf

26. Hamiltonian Neural Networks - Natural Intelligence，2025年12月11日访问， https://greydanus.github.io/2019/05/15/hamiltonian-nns/

27. Hamiltonian Neural Networks - SciBits.blog，2025年12月11日访问， https://www.scibits.blog/posts/hnn/

28. Hamiltonian and Lagrange Neural Networks - AI Weekly Report，2025年12月11日访问， https://weeklyreport.ai/briefings/hamiltonian-nn/