在具身智能研究中，如何讓智能體精準理解周圍環(huán)境的精細幾何結(jié)構(gòu)與開放語義信息，始終是具身感知的核心難題。近年來，語義占據(jù)預(yù)測（Semantic Occupancy Prediction） 將稠密幾何與語義信息統(tǒng)一到三維體素網(wǎng)格中，用于構(gòu)建 3D 語義占據(jù)地圖，為機器人的空間推理、導(dǎo)航與交互操作提供了場景表達基礎(chǔ)。

然而，現(xiàn)有方法大多建立在封閉詞匯（Closed-vocabulary） 設(shè)定下，模型只能識別訓(xùn)練階段預(yù)先定義好的有限類別。一旦進入真實環(huán)境，場景中的語義往往是開放且長尾的 —— 用戶可能會直接問：「鞋子在哪兒？」「紙巾在哪兒？」「遙控器在哪兒？」 對于傳統(tǒng)占據(jù)預(yù)測方法而言，超出預(yù)定義類別的目標幾乎無法被正確識別。面對「一個帶條紋的馬克杯」「一把破損的木椅」這類更細粒度、描述性更強的目標時，封閉詞匯模型往往無能為力。

近期，香港科技大學(xué)（廣州）陳昶昊教授團隊聯(lián)合香港中文大學(xué)（深圳） 研究者提出了 LegoOcc，首次面向具身場景實現(xiàn)了單目開放詞匯三維占據(jù)預(yù)測。該工作被 CVPR 2026 收錄為 Oral（大會口頭報告）。

LegoOcc 以語言嵌入高斯（Language-embedded Gaussians） 作為統(tǒng)一的三維表示，在僅使用幾何標簽（二值占據(jù)標簽） 訓(xùn)練的情況下，便能支持任意文本描述的目標類別查詢，實現(xiàn)開放詞匯的三維語義占據(jù)預(yù)測。

在 Occ-ScanNet 數(shù)據(jù)集上，LegoOcc 取得了 21.05 mIoU 和 59.50 IoU 的開放詞匯預(yù)測結(jié)果，相比此前最強的開放詞匯模型，mIoU 提升超過 2 倍；同時其整體幾何占據(jù)預(yù)測精度也超越了多種封閉詞匯方法，展現(xiàn)出極強的性能與泛化能力。

• 論文標題：Monocular Open Vocabulary Occupancy Prediction for Indoor Scenes
• 論文地址：https://arxiv.org/abs/2602.22667

為什么具身場景的開放語義占據(jù)預(yù)測更困難？

傳統(tǒng)的占據(jù)預(yù)測模型像僅僅背過單詞書，只能認出學(xué)過的詞匯類別，而開放詞匯模型則掌握了語言能力，無論遇到什么新物體，都能根據(jù)文本描述進行推理。下圖展示了這一差異：

• 封閉詞匯模型- 只能識別「椅子」「桌子」等訓(xùn)練時見過的類別。
• 開放詞匯模型（LegoOcc）- 可以響應(yīng)任意自然語言查詢，如「鞋子」「紙」等未定義物體，并生成對應(yīng)區(qū)域的熱力圖。

Figure 1 閉集 vs 開集 3D 占據(jù)預(yù)測

此外，室內(nèi)具身環(huán)境與戶外車輛駕駛場景也有不同：

1. 室內(nèi)場景的幾何更稠密、結(jié)構(gòu)更復(fù)雜，有大量的細小物體以及遮擋，對幾何建模的精細度要求高。
2. 室內(nèi)場景的物體類別繁多、細粒度要求更高且分布不均衡，很多類別在訓(xùn)練數(shù)據(jù)中只出現(xiàn)寥寥幾次。

因此，直接將室外開放詞匯占據(jù)預(yù)測模型遷移到室內(nèi)，會出現(xiàn)性能下降，已有的少數(shù)室內(nèi)占據(jù)預(yù)測方法仍然依賴固定基類模型，無法支持開放詞匯類別推理。

LegoOCC 框架介紹

Figure 2 LegoOcc 整體算法框架

LegoOcc 將問題拆解為兩部分：幾何學(xué)習(xí)決定空間里哪里「被占據(jù)」，語義學(xué)習(xí)決定這些被占據(jù)區(qū)域「是什么」。為實現(xiàn)開放詞表場景表達，LegoOcc 采用語言嵌入高斯（LE-Gaussians） 作為統(tǒng)一的中間表示：每個高斯同時攜帶幾何參數(shù)（位置、協(xié)方差、不透明度）與一個語言對齊的語義嵌入。

（1）從單目圖像生成語言嵌入的 3D 高斯

給定輸入圖像，LegoOcc 首先通過前饋網(wǎng)絡(luò)預(yù)測一組三維高斯，這里的每個高斯不僅包含位置、尺度、協(xié)方差和不透明度等幾何參數(shù)，還攜帶一個與語言空間對齊的語義嵌入。LegoOcc 模型避免在幾何分支和語義分支中使用兩套獨立表示，而是讓同一組高斯同時服務(wù)于幾何建模和開放詞匯語義建模。由此，「空間哪里有東西」和「這個東西是什么」就被統(tǒng)一到了同一個場景表示框架中。

（2）泊松視角的高斯到占據(jù)轉(zhuǎn)換

在僅有二值占據(jù)監(jiān)督的設(shè)定下，進一步研究如何將高斯表示穩(wěn)定地聚合為體素占據(jù)結(jié)果�，F(xiàn)有方法在這一環(huán)節(jié)易出現(xiàn)訓(xùn)練不穩(wěn)定，原因在于二維渲染時使用了基于不透明度的 α 混合，但三維占據(jù)聚合時卻可能忽略不透明度信息，導(dǎo)致二維渲染監(jiān)督與三維占據(jù)監(jiān)督之間存在優(yōu)化沖突。

為此，LegoOcc 提出了基于泊松過程的高斯到占據(jù)轉(zhuǎn)換（Poisson-based Gaussian-to-Occupancy, G2O），將每個高斯在某個體素位置的有效貢獻視作泊松事件強度，并將「該位置是否被占據(jù)」解釋為「至少發(fā)生一次事件」的概率。相比伯努利并集式聚合，基于泊松過程的建模方式在弱監(jiān)督條件下更穩(wěn)定，也不容易退化到無效的不透明度分配，從而提升了模型幾何學(xué)習(xí)階段的穩(wěn)定性與可優(yōu)化性。

（3）漸進溫度衰減減少沿光線的特征混合

在語義學(xué)習(xí)部分，LegoOcc 采用高斯?jié)姙R將三維高斯的語義特征微渲染到圖像平面，再與一個無需訓(xùn)練的開放詞匯分割模型（文中采用 Trident）輸出的圖像特征進行余弦相似度對齊。由于 α 混合會讓每個像素特征成為沿光線多個高斯嵌入的加權(quán)混合，然而室內(nèi)場景對象密集、投影重疊多，易導(dǎo)致監(jiān)督信號鼓勵「混合后的特征」對齊語言，而不是每個高斯本身對齊語言。

因此提出了漸進溫度衰減（Progressive Temperature Decay ），用帶溫度的 sigmoid 函數(shù)控制不透明度，并在訓(xùn)練中把溫度從較高逐步退火到低，使不透明度逐漸變尖銳，減少了沿光線的特征混合，同時又保留連續(xù)梯度（區(qū)別于硬 Top?k 的離散選擇），提升語言監(jiān)督落到單個高斯上的精度，增強了模型在開放詞匯語義理解中的判別能力。

實驗結(jié)果

論文從定量實驗、消融實驗和可視化結(jié)果三個方面驗證了提出的 LegoOcc 模型有效性，LegoOcc 在開放語義占據(jù)預(yù)測、三維幾何占據(jù)預(yù)測和推理效率上都展現(xiàn)出了明顯優(yōu)勢。

（1）開放詞匯設(shè)定下 mIoU 超過此前最佳方法 2 倍

論文展示了閉集評測和開放詞匯評測兩種設(shè)定下的定量實驗結(jié)果。在閉集評測中，LegoOcc 在 Occ-ScanNet 的 11 個固定類別上，預(yù)測與真實標簽更為一致，幾何準確、語義泛化能力強。在開放詞匯評測中，由視覺語言模型自動抽取名詞作為文本查詢（如「鞋子」「洗手池」），模型生成對應(yīng)類別的三維語義占據(jù)結(jié)果，實現(xiàn)文本驅(qū)動的任意語義類別定位。

在 Occ-ScanNet 數(shù)據(jù)集上，LegoOcc 在開放詞匯設(shè)定下取得了 21.05 mIoU 和 59.50 IoU 的結(jié)果。相比此前表現(xiàn)最好的開放詞匯方法 LOcc，LegoOcc 的 mIoU 提升了 11.80 個點（超過 2 倍），整體 IoU 提升了 22.80 個點。LegoOcc 的 59.50 IoU 不僅領(lǐng)先開放詞匯方法，甚至還超過了表中所有封閉詞匯模型的最佳整體 IoU。

（2）Poisson 聚合的作用驗證

本工作對提出的泊松式高斯到占據(jù)轉(zhuǎn)換（Poisson-based G2O）進行了消融實驗。

在開放詞匯設(shè)定下，當使用 GaussianFormer2 風(fēng)格聚合時，結(jié)果幾乎退化到 0.00 mIoU / 0.00 IoU；當使用 Bernoulli 聚合時，性能恢復(fù)到 17.25 mIoU / 46.65 IoU；當使用 Poisson 聚合時，性能進一步提升到 21.05 mIoU / 59.50 IoU。這表明引入 Poisson 聚合能夠讓模型在僅有幾何監(jiān)督條件下穩(wěn)定訓(xùn)練、有效學(xué)習(xí)。

（3）漸進溫度衰減緩解特征混合問題

本文對溫度控制策略進行了消融實驗：若訓(xùn)練和測試都固定高溫，雖然幾何 IoU 尚可，但 mIoU 明顯偏低，說明語義學(xué)習(xí)仍受特征混合影響；若訓(xùn)練時用高溫、測試時突然切換到低溫，則會出現(xiàn)訓(xùn)練測試不匹配（Train-test Mismatch）；若從訓(xùn)練一開始就使用低溫，則優(yōu)化會困難，甚至直接退化；當采用漸進溫度衰減，模型能夠兼顧訓(xùn)練穩(wěn)定性與最終語義判別性，取得最佳結(jié)果。

（4）推理速度具備優(yōu)勢，更適合機器人平臺部署

在單張 RTX 4090 上，LegoOcc 的推理速度達到了 22.47 FPS，明顯快于多種對比方法。相比于自動駕駛等場景，機器人平臺對推理速度和輕量化計算要求更高，因此 LegoOcc 更適用于具身機器人平臺。

（5）可視化結(jié)果

1. 閉集評測結(jié)果

在 Occ-ScanNet 的固定類別評測中，LegoOcc 的預(yù)測結(jié)果與真實標簽更為一致，幾何和語義預(yù)測能力強。（a) 輸入圖像，（b) 真實標簽，（c）LOcc（對比方法），（d）提出的 LegoOcc。

圖 3 Occ-ScanNet 閉集測試結(jié)果（Closed-vocabulary Results on Occ-ScanNet）

2. 開放詞匯測試結(jié)果

進一步使用視覺語言模型（Vision-language Model）自動從場景中提取名詞作為文本查詢，例如「鞋子」「洗手池」「顯示器」等，并讓模型生成對應(yīng)類別的三維語義占據(jù)預(yù)測結(jié)果。LegoOcc 不局限于訓(xùn)練時給定的固定類別，能夠根據(jù)自然語言描述進行三維空間中的目標識別，實現(xiàn)了文本驅(qū)動的開放詞匯三維查詢。

圖 4 開放詞匯測試結(jié)果（Open-vocabulary Results）

展望與意義

面向具身室內(nèi)場景，本文提出 LegoOcc ，一種單目開放語義占據(jù)預(yù)測框架，采用語言嵌入的高斯統(tǒng)一表達幾何與語義場景信息。幾何側(cè)以泊松聚合穩(wěn)定弱監(jiān)督訓(xùn)練，語義側(cè)用漸進溫度退火削弱特征混合，模型在無需體素語義標注的前提下，實現(xiàn)了文本驅(qū)動的三維語義占據(jù)預(yù)測。

未來的家用機器人能夠高效地將三維場景表達為體素網(wǎng)格，只需一句「幫我找一下茶幾上的遙控器」，即可在復(fù)雜空間中精準定位目標物體，而無需預(yù)先「學(xué)習(xí)」過遙控器這一類別。

作者介紹

周常青：香港科技大學(xué)（廣州）博士生，致力于高效且穩(wěn)定的三維場景理解方法研究，當前重點關(guān)注端到端軌跡生成模型，以及面向?qū)Ш饺蝿?wù)的高效世界模型構(gòu)建。

張涵：香港科技大學(xué)（廣州）紅鳥碩士生，專注探索高效可靠的三維場景理解方法，現(xiàn)階段重點探索三維視覺語義定位方法，以及適配導(dǎo)航任務(wù)的高效世界模型構(gòu)建。

江澤宇：香港科技大學(xué)（廣州）博士生，主要研究方向為高效的空間物理智能體，專注于將通用空間智能注入現(xiàn)實開放環(huán)境的具身應(yīng)用場景。

陳昶昊（通訊作者）：香港科技大學(xué)（廣州）智能交通學(xué)域和人工智能學(xué)域助理教授，博士生導(dǎo)師，香港科技大學(xué)跨學(xué)科學(xué)院聯(lián)署助理教授，從事具身智能感知、導(dǎo)航與交互研究，組建港科大（廣州）PEAK-Lab 課題組并擔(dān)任獨立 PI。