不用3D标注，机器人也能看懂房间

想象你让家里的机器人找玄关柜旁的雨伞——它不需要提前被“灌输”雨伞的标准样本，也不需要有人在三维空间里逐点标记“这是雨伞”，只需要看一眼客厅的照片，就能听懂你的自然语言，精准定位到那把从未见过的折叠伞。这不是科幻片里的场景，而是香港科技大学（广州）团队带来的LegoOcc正在实现的事。它打破了室内三维感知的最大瓶颈：不用昂贵到离谱的3D语义标注，仅凭一张普通RGB照片，就能让机器真正“理解”空间——哪里能走，哪里有东西，那东西又是什么。

把三维空间拆成“智能乐高块”

传统的室内三维感知，像是让机器人对着一本提前标好所有答案的题库答题——只能认出训练过的固定物体，还得有人花几个月在三维空间里逐个体素标注“这是桌子”“这是地板”。但真实的家里，桌子可能被地毯半挡着，沙发旁会突然多出孩子的玩具，这些“超纲题”能把传统模型直接难住。

LegoOcc的思路，是把整个三维空间拆成一个个带“智能标签”的“乐高块”——也就是带语言特征的三维高斯表示。每个“乐高块”里同时装着两个信息：一是它在空间里的位置、大小和透明度，用来判断“这里有没有东西”；二是一组能和自然语言对齐的语义向量，用来回答“这东西是什么”。

你可以把这个过程想象成给每个空间小方块贴了张隐形的“语义二维码”，机器人扫到它，既能知道自己能不能踩上去，也能通过和文本特征比对，认出这是雨伞还是充电线。

两个关键设计，解决两个核心难题

LegoOcc能做到无3D标注也精准，靠的是两个针对性的技术突破。

第一个是基于泊松分布的高斯到占用转换。传统方法处理重叠的“乐高块”时，要么忽略它们的透明度信息，要么简单平均导致语义混乱——就像把红、黄、蓝三块乐高混在一起，最后只能得到模糊的棕色。而泊松分布的思路，是把每个“乐高块”当成“这里有物体”的一份证据，一个位置是否被占据，由所有相关“乐高块”的证据共同决定。就像多个目击者描述同一个嫌疑人，越多人提到某个特征，这个特征的可信度就越高，自然能更准确地还原真相。实验里，这个设计直接让几何占用准确率IoU从36.70跳到了59.50，超过了所有依赖3D标注的闭集方法。

第二个是渐进式温度衰减策略。训练初期，模型还没搞懂空间结构，就像刚进陌生房间的小孩，需要先整体熟悉环境——这时候用“高温”模式，让语义特征平滑融合，避免因细节纠结而崩溃。等模型对空间有了稳定认知，再慢慢降低“温度”，让每个“乐高块”的语义边界变得清晰，就像孩子熟悉房间后，能准确区分“这是我的玩具区”“那是妈妈的书架”。其中指数式衰减效果最好，能让模型在“清晰语义”阶段停留更久，最终把语义识别准确率mIoU从9.25提升到21.05，翻了一倍多。

优势之外，仍有三道坎要跨

当然，LegoOcc还不是完美的。它的语义识别准确率mIoU，和依赖完整3D语义标注的闭集方法比如RoboOcc的47.76相比，还有不小差距。这背后是三道暂时没完全跨过的坎：

一是室内类别本身的细碎和模糊——椅子和沙发的边界在哪里？“杂物”又该包含多少东西？这些连人类都可能纠结的问题，机器更难精准区分。二是单目输入的固有缺陷——一张照片里的深度歧义，比如远处的小桌子和近处的小凳子，模型偶尔会判断失误。三是对2D开放词汇分割模型的依赖，如果2D模型认错了物体，3D空间里的语义也会跟着出错。

但这些局限，反而更凸显了LegoOcc的价值：它用极低的成本，摸到了三维开放词汇感知的门槛，为家庭机器人的大规模部署扫清了最关键的障碍。

当我们谈论机器人的“智能”时，往往容易陷入“它能认出多少物体”的误区。但真正的室内智能，从来不是“认出桌子”，而是“理解桌子和周围空间的关系”——知道桌子边缘不能碰，知道桌子下面可以躲，知道桌子上的水杯需要被小心拿起。

LegoOcc的意义，就是让机器从“看物体”转向“懂空间”，从“答题库”转向“解应用题”。未来的家庭机器人，不会再因为你换了个新款式的拖鞋就认不出，也不会因为地上多了根充电线就不知所措。

空间理解的本质，是让机器学会像人一样感知世界。