盖世汽车讯 对于在办公环境中穿行的服务机器人而言，识别“家具”十分有用。然而，当机器人需要规划路线或与物体交互时，它还需要更精细的信息——例如，该家具具体是椅子、桌子还是书柜，以及某个开口是门还是窗。这些细节上的区分会影响机器的移动方式、避障策略以及对安全交互对象的判断。

据外媒报道，由新加坡科技设计大学（SUTD）助理教授Na Zhao领导的研究团队，联合西南交通大学的合作者，开发了一种全新的人工智能（AI）框架，旨在帮助机器在不同细节层级上理解三维（3D）场景。

图片来源：SUTD

该框架名为 ML3DHS，专为 3D 层次化语义分割而设计。它能为 3D 场景中的每个点分配多个相关标签，涵盖从“家具”等宽泛类别到“椅子”或“桌子”等具体类别的不同层级。

三维视觉系统正日益广泛地应用于辅助机器解读由激光雷达（LiDAR）或深度相机等传感器所捕捉的空间信息。这些系统服务于具身智能领域，涵盖了在建筑物内自主导航的机器人、解读道路场景的自动驾驶汽车，以及将数字信息叠加于物理空间之上的增强现实（AR）应用。

然而，现有的许多三维分割模型通常仅针对场景中的每个点分配单一标签。这种“扁平化”的处理方式在现实应用场景中往往存在局限性，因为现实中的物体通常需要在不同的细节层级上进行理解与识别：从宏观层面看，模型可能将一组点识别为“家具”；而从更精细的层面看，它则需要进一步判断这些点具体属于椅子、桌子、沙发还是书柜。

挑战在于，这些相关的层级在训练过程中可能会产生竞争。粗略的预测可能较易学习，而精细的预测则需要更细致的区分。当两个层级共用过多模型组件时，优化其中一个层级可能会影响另一个层级的学习效果。

ML3DHS 针对这一问题，允许模型共享形状和几何结构等基础 3D 信息，同时针对不同细节层级使用独立的组件。此外，该系统利用粗略预测来引导精细预测；例如，若某区域被识别为“家具”，模型便能据此重点判断其具体是椅子、桌子还是沙发。同时，系统还会核查粗略标签与精细标签之间的一致性。

“每个 3D 点可以同时承载多种相关含义。同一个点在某一层级上可能属于‘家具’，而在另一层级上则属于‘桌子’，”首席研究员、SUTD助理教授Zhao表示，“通过将此问题视为多标签学习任务，我们能够帮助机器构建出结构更清晰的 3D 场景表征。”

除了协调多层级的标签外，3D场景理解领域面临的另一个长期难题是类别不平衡问题。墙壁和地面等常见类别通常包含远多于窗户、门、立柱及杂物等较小或较稀有物体的点数。这可能导致模型过度关注主导类别，从而忽略了对导航和交互至关重要的较少见物体。ML3DHS 通过引入一个额外的训练组件来解决这一问题，该组件能帮助模型更清晰地区分物体类别，并为较稀有物体提供更强的学习信号。

该团队利用多种AI模型架构，在既定的室内外3D场景基准测试集上对ML3DHS进行了评估。在各项测试中，该方法均持续优于以往的方法。例如，在某项室内基准测试中，其分割准确率较此前表现最好的方法提升了3.38个百分点。这种性能提升在杂物、窗户、门和立柱等较少见物体上尤为显著。

Zhao补充道：“对于室内服务机器人而言，宏观层面的理解能让它识别出某区域内包含家具或开口；而细粒度理解则有助于它区分门与窗、椅与桌，以及立柱与可移动杂物。当机器需要规划安全路径或判断可交互对象时，这些区分至关重要。”

研究人员指出，由于采用了非共享解码器和一个额外的辅助分支，ML3DHS 目前在训练过程中会增加模型规模。未来的研究可探索更轻量化的模型，以提高训练效率，并增强对极罕见类别的识别能力。

尽管仍存在一些待解决的问题，但该框架为识别不同细节层次的物体提供了一种更具结构性的方法。通过让 AI 系统更清晰地感知周围环境，这项研究有望助力机器人、自主系统及交互式 3D 技术实现更可靠的机器感知。