CrowdOcc: Monocular Semantic Scene Completion for Quadruped Robots in Crowded Indoor Environments

📄 arXiv: 2610.03031v1 📥 PDF

作者: Feiyang Chen, Jincheng Hu, Yiduo Chen, Jihao Li, Yue Liang, Bingzhao Gao, Yanjun Huang, Yuanjian Zhang

分类: cs.CV, cs.RO

发布日期: 2026-10-02

备注: 8 pages, 4 figures. Submitted to IEEE International Conference on Robotics and Automation (ICRA) 2027

💡 一句话要点

提出CrowdOcc以解决拥挤室内环境中的单目语义场景补全问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 单目语义场景补全 四足机器人 人类遮挡 RGB-D数据集 深度学习 室内环境 几何融合 人机交互

📋 核心要点

  1. 现有方法在拥挤室内环境中面临人类遮挡导致的静态几何干扰和占用预测不准确的问题。
  2. 本文提出CrowdOcc数据集及框架，结合正常引导的几何融合和以人为中心的稀疏交互来解决遮挡问题。
  3. 实验结果显示，本文方法在CrowdOcc测试集上取得了15.80的IoU，显著提升了场景补全的准确性。

📝 摘要（中文）

单目语义场景补全（SSC）在拥挤的室内环境中对四足机器人仍然是一个未被充分探索的领域，尤其是人类与场景的遮挡会干扰静态几何结构，而人类占用预测往往不完整或空间上错位。为此，本文提出了CrowdOcc，一个RGB-D数据集和单目SSC框架。CrowdOcc包含来自11个室内场景的25.1K帧，语义占用注释通过静态动态解耦构建。我们的框架结合了： (i) 正常引导的场景几何融合（NGSGF），利用表面法线线索增强深度感知的几何补全； (ii) 以人为中心的稀疏交互（HCSI），选择性建模人类与人类及局部人类与场景的三维关系。我们的方法在CrowdOcc的场景不重叠测试集上实现了最先进的SSC性能，达到15.80的IoU、11.40的mIoU和46.23的人类IoU，展示了对未见室内场景的泛化能力。

🔬 方法详解

问题定义：本文旨在解决四足机器人在拥挤室内环境中进行单目语义场景补全时遇到的人类遮挡问题。现有方法在处理动态场景时，往往无法有效预测人类与场景的关系，导致几何结构和占用预测的准确性下降。

核心思路：论文提出的CrowdOcc框架通过引入正常引导的几何融合（NGSGF）和以人为中心的稀疏交互（HCSI），增强了对遮挡的鲁棒性，并有效建模人类与场景的交互关系。这样的设计旨在提高在复杂环境中的场景理解能力。

技术框架：CrowdOcc框架主要包括两个模块：首先是NGSGF模块，通过结合深度信息和表面法线信息来提升几何补全的准确性；其次是HCSI模块，专注于建模人类与人类及场景的关系，以便更好地处理动态遮挡。

关键创新：本文的主要创新在于提出了结合法线信息的几何融合方法和以人为中心的交互建模策略，这与传统方法侧重于静态几何信息的处理形成了鲜明对比。

关键设计：在网络结构上，采用了深度学习模型来实现NGSGF和HCSI的功能，损失函数设计上考虑了多种因素以优化场景补全的效果，确保了模型在复杂场景下的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CrowdOcc框架在场景不重叠的测试集上达到了15.80的IoU、11.40的mIoU和46.23的人类IoU，显著优于现有的基线方法，展示了其在拥挤室内环境中的有效性和泛化能力。

🎯 应用场景

该研究具有广泛的应用潜力，尤其是在服务机器人、自动导航系统和智能家居等领域。通过提升四足机器人在复杂室内环境中的场景理解能力，CrowdOcc能够为人机交互和自主导航提供更可靠的支持，推动智能机器人技术的进步。

📄 摘要（原文）

Monocular semantic scene completion (SSC) for quadruped robots remains underexplored in real crowded indoor environments, where human-scene occlusion disrupts static geometry and human occupancy predictions are often incomplete or spatially misplaced. We present CrowdOcc, an RGB-D dataset and monocular SSC framework for this setting. CrowdOcc contains 25.1K frames from 11 indoor scenes, with semantic occupancy annotations constructed through static dynamic decoupling. Our framework combines: (i) Normal Guided Scene Geometry Fusion (NGSGF) to complement depth-aware lifting with surface-normal cues for occlusion robust geometry; and (ii) Human-Centric Sparse Interaction (HCSI) to selectively model human-human and local human scene relations in 3D. Our method achieves state-of-the-art SSC performance on CrowdOcc's scene-disjoint test set, reaching 15.80 IoU, 11.40 mIoU, and 46.23 Human IoU, demonstrating generalization to unseen indoor scenes.