只有认清‘这是扇门’，机器人才配进办公室

机器人不是摔在看不清上，而是摔在看得太粗上。2024年以来，ConceptGraphs等一批开源框架让机器以更细的粒度理解3D空间：不止于认出「这是家具」，而是分清它是椅子、桌子还是书柜，判断一个开口是门还是窗。这套框架由佐治亚理工学院牵头、联合MIT-IBM Watson AI Lab等多家机构提出，论文《ConceptGraphs: Open-Vocabulary 3D Scene Graphs for Grounding and Reasoning in Robotics》发表于机器人顶会ICRA 2024（arXiv编号2309.16650），代码开源。这看似只是标签体系变细了一层，背后却是服务机器人从「能走」到「能干活」之间那道真实的鸿沟。

🚪 认出「家具」，然后撞上书柜

机器人对世界的分类粒度，直接决定了它的行动边界。

设想一台在写字楼里送咖啡的服务机器人。它沿着走廊行进，视觉系统报出一串识别结果：家具、墙、开口。听起来不错——但它接下来的每一步都可能出错。

「家具」这个标签对巡逻和粗略避障也许够用，可一旦要规划路线、跟物体打交道，粒度就立刻不够了：那件「家具」是椅子，可以绕得贴近些？是桌子，底下可能伸出人腿？还是书柜，压根是死路一条？同样，墙上的一个「开口」，是能穿行的门，还是只能看不能碰的窗？

这正是ConceptGraphs要解决的核心问题。论文的表述很直白：构建开放词汇的3D物体级场景图，让这些细粒度区分直接服务于「机器如何移动、避障、决定能与什么安全交互」。识别粒度不是学术游戏，而是运动决策的输入端。

用一张图看这套分层认知的结构：

普渡科技、擎朗智能这类做室内配送的同行，对这件事的痛感最深。这一痛点并非圈内的私下抱怨，而是有公开佐证的：据CES等展会的多家媒体现场报道，不少标称「自主」的服务机器人和人形机器人演示，实际仍依赖人工遥操作兜底；交付后的困机工单、换场地重新建图标定，也是商用服务机器人公司公开承认的主要部署成本。粗粒度标签时代，这类事故被归为「corner case」；细粒度理解落地后，它们才可能从根上消失。

📈 粗识别保底，细理解定天花板

语义标签每细一层，机器人的本事就大一圈。

把机器人的场景理解能力拆开看，大致是一个三级台阶。ConceptGraphs的例子恰好覆盖了从低到高的跃迁：

大多数商用服务机器人今天停在第二级的中段：避障没问题，但「该不该交互、敢不敢交互」依然靠人工圈规则。原因不玄——规划器和交互模块吃的是语义输出，上游标签粗，下游就只能保守。保守的表现就是：宁可绕大圈，不敢做动作。

而细粒度理解的价值，本质是把「人写的规则」替换成「模型给的判断」。以前工程师要在每个部署现场圈电子围栏、标虚拟墙；如果模型本身能分清门和窗、椅子和书柜，部署成本和现场调试周期都会被压下来。这也是为什么这类框架值得产业链认真对待——它削减的是落地方最贵的那部分人力。

📎 框架拆解：ConceptGraphs到底是怎么做的

三个模块，把2D开放词汇检测搬进3D物体级场景图。

按论文自述，ConceptGraphs的流水线大致分三步：

1. 增量式3D物体图构建：机器人用RGB-D相机边走边建图，对每帧图像跑开放词汇的2D检测分割，并将CLIP等模型的语义特征随点云「抬升」到3D空间；

2. 物体关联与语义清洗：跨帧、跨视角的相似观测被聚合为同一个物体节点，再用大语言模型（LLM）对聚合结果做语义校验——把碎片化的、互相矛盾的标签合并成一致的物体命名；

3. 语言查询与机器人任务： resulting场景图支持任意自然语言查询（“帮我找那把扶手椅”），并直接对接语言导航、目标抓取等下游任务，论文在多台移动机器人平台上做了实机验证。

与现有方案的对比，是理解其价值的关键：

• 对比封闭词表的3D语义分割：传统方法（如ScanNet基准上的方案）词表固定在20~40类，训练时没见过的类别一律识别不了；ConceptGraphs的词表是开放的，新物体不需要重新训练就能查询。
• 对比OpenScene、ConceptFusion等早期开放词汇3D方法：这些方法停留在像素/点级特征，输出碎片化、噪声大，难以直接供任务规划使用；ConceptGraphs做了物体级聚合和LLM语义清洗，输出的是干净、结构化的物体场景图——这正是规划器真正能「吃」的格式。
• 后续的层次化扩展：如RSS 2024上的HOV-SG（马德里理工大学、伦敦国王学院等团队）把「建筑—楼层—房间—物体」层级引入开放词汇场景图，据其论文报告，在物体定位和房间级语言定位任务上的准确率较此前方法（含ConceptGraphs）有明显提升，说明这条「细粒度+结构化」的路线正在快速迭代。

一句话概括：ConceptGraphs不是又一个分类器，它把开放词汇的识别结果组织成了机器人可用的知识结构。

💡 关键不在认出物体，而在读懂空间

2D识别回答「这是什么」，3D理解回答「它在哪里、我该怎么走」。

这套框架另一个值得注意的词是「3D」。过去十年，视觉识别在2D图像上已经做得足够好，但服务机器人活在三维物理空间里：物体有遮挡、有深度、有前后左右的空间关系。一张平面图像能告诉你「这是一把椅子」，却回答不了「它在我左前方一米半，靠墙，椅腿朝外」——而后者才是运动规划真正需要的输入。

论文的定位也很克制：框架是让机器「以更细的细节理解3D空间」，且这些区分直接影响「机器如何移动、避障、决定能与什么安全交互」。也就是说，它是嵌在感知与规划之间的一层空间认知。

放在整条具身智能的技术链路里看，它的位置大概是这样：

注意图里「安全交互判断」这个分支。细粒度理解不只喂给规划，还喂给安全：知道那是一个「窗」，机器人就不会把手臂伸过去；知道那是一个「门」，交互前还要判断是推是拉。对人形机器人来说，这一层更加致命——特斯拉的Optimus、Figure这类产品要想真的进家庭和办公室，双臂的每一次伸展都必须建立在对空间语义的精确理解上，否则一次误判就是一次物理事故。

🚗 谁最先为细粒度理解买单

越封闭的场景越早落地，越开放的场景越晚但越值钱。

从商业化节奏推演，细粒度3D理解的红利释放有先后顺序：

最先受益的是已经规模化部署的室内服务机器人——写字楼、酒店、医院里的配送和清洁机器人。它们的场景相对结构化，细粒度理解能直接兑换成两样东西：更少的现场调试人天、更少的困机工单。对以项目制为主的商用服务机器人公司来说，这是能写进投标书的降本项。

第二波是仓储物流里的AMR和机械臂分拣系统。分拣的核心难题从来不是「认出包裹」，而是理解包裹在货架、托盘、输送带构成的空间关系里的位置和可达性——这同样是3D细粒度理解的射程范围。

第三波才是人形机器人的开放场景，也是价值最大、最难啃的一块。家庭和办公室是典型的非结构化环境，家具的摆放、材质、开合状态千变万化。人形机器人「演示视频里很流畅、真实现场打折扣」这一点，已有公开报道佐证：CES 2024期间，多家海外媒体现场调查发现，不少参展人形机器人的「自主表演」背后存在人工遥操作或预设脚本；换场地需重新建图、标定作业区域，也是各家厂商在产品文档和访谈中公开承认的部署流程。细粒度空间理解如果做成通用能力，等于把这部分隐性成本变成一次性的模型能力。

对宇树科技这样的本体厂商、以及各类具身智能软件公司而言，感知