0
| 本文作者： 鄭佳美 | 2026-05-12 15:43 | 專題：CVPR 計(jì)算機(jī)視覺(jué)與模式識(shí)別會(huì)議 |
作者丨鄭佳美
編輯丨岑 峰
真正的室內(nèi)空間智能，并不只是讓機(jī)器認(rèn)出畫面里有一張桌子，而是讓它理解真實(shí)三維物理空間內(nèi)：哪里可以通行、哪里存在遮擋、哪些物體能夠交互。
對(duì)于未來(lái)的家庭機(jī)器人和護(hù)理機(jī)器人來(lái)說(shuō)，理解一個(gè)房間并不只是完成圖像分類。它意味著，機(jī)器人能夠根據(jù)一句自然語(yǔ)言找到玄關(guān)柜旁的雨傘，能夠在夜間識(shí)別走廊中的充電線是否可能絆倒老人，也能夠在廚房中理解臺(tái)面、水杯與邊緣之間的空間關(guān)系，并在陌生環(huán)境中快速建立可行動(dòng)的三維空間認(rèn)知。
但室內(nèi)環(huán)境，恰恰是 3D 感知最難落地的場(chǎng)景之一。相比之下，自動(dòng)駕駛雖然復(fù)雜，卻仍然擁有相對(duì)穩(wěn)定的道路結(jié)構(gòu)與交通參與者，而室內(nèi)空間更像一個(gè)持續(xù)變化的開(kāi)放世界。物體擺放隨時(shí)可能變化，遮擋關(guān)系更密集，許多目標(biāo)并不屬于數(shù)據(jù)集中預(yù)定義的類別。如果希望模型真正理解三維空間，通常需要昂貴的 3D 語(yǔ)義標(biāo)注，即在空間中逐點(diǎn)或逐體素標(biāo)注每個(gè)位置屬于什么物體。這種高昂成本，很難支撐家庭、辦公與公共室內(nèi)場(chǎng)景的機(jī)器人大規(guī)模部署。
在這樣的背景下，香港科技大學(xué)（廣州）陳昶昊團(tuán)隊(duì)提出了 LegoOcc，該成果《Monocular Open Vocabulary Occupancy Prediction for Indoor Scenes》被 CVPR 2026 接收，并入選大會(huì)口頭報(bào)告。
這項(xiàng)研究關(guān)注更接近真實(shí)應(yīng)用的問(wèn)題：僅使用一張普通室內(nèi) RGB 圖像，不依賴多視角圖像或激光雷達(dá)，也不使用 3D 語(yǔ)義標(biāo)簽，依然能夠預(yù)測(cè)空間中的占用情況，并進(jìn)一步支持基于自然語(yǔ)言的開(kāi)放類別查詢。
換句話說(shuō)，LegoOcc 解決的，不再是讓機(jī)器在固定類別中“做選擇”，而是讓機(jī)器真正開(kāi)始“理解房間”，并把人的語(yǔ)言映射到三維空間中的具體目標(biāo)。對(duì)于家庭機(jī)器人、輔助機(jī)器人以及 AR / VR 設(shè)備等應(yīng)用，這意味著室內(nèi)感知正在從“看見(jiàn)物體”，邁向“理解空間”。
論文地址：https://arxiv.org/pdf/2602.22667
01
leu'feng'wa的核心思想是：在完全不使用 3D 語(yǔ)義體素標(biāo)注、僅使用幾何占用標(biāo)簽的情況下，模型依然能夠?qū)崿F(xiàn)高質(zhì)量的室內(nèi)單目開(kāi)放詞匯 3D 占用預(yù)測(cè)。模型輸入只有一張普通 RGB 圖像，不依賴多視角圖像、深度圖或激光雷達(dá)點(diǎn)云；“3D 占用預(yù)測(cè)”關(guān)注的是室內(nèi)空間中每個(gè)小立方體（體素）是否被墻體、桌椅、地板等物體占據(jù)；而“開(kāi)放詞匯”則進(jìn)一步要求模型突破固定類別限制，不僅能識(shí)別椅子、桌子、墻等常見(jiàn)類別，還能夠根據(jù)自然語(yǔ)言查詢 鞋子、紙、垃圾桶、包 等更加自由的長(zhǎng)尾物體。
該研究在 Occ-ScanNet 數(shù)據(jù)集驗(yàn)證：每個(gè)樣本對(duì)應(yīng)一個(gè)局部 3D 空間，模型需要同時(shí)預(yù)測(cè)空間占用與語(yǔ)義類別。LegoOcc 在開(kāi)放詞匯設(shè)置下達(dá)到 59.50 IoU 與 21.05 mIoU，其中：IoU 體現(xiàn)幾何占用預(yù)測(cè)能力，即模型是否知道“哪里有東西”； mIoU 體現(xiàn)語(yǔ)義預(yù)測(cè)能力，即模型是否知道“這些位置是什么”。
相比開(kāi)放詞匯基線方法，POP-3D的35.32 IoU / 5.96 mIoU 和LOcc：36.70 IoU / 9.25 mIoU。LegoOcc 同時(shí)提升幾何結(jié)構(gòu)預(yù)測(cè)和開(kāi)放詞匯語(yǔ)義理解能力，尤其 mIoU 從 9.25 提升到 21.05，說(shuō)明模型的語(yǔ)義識(shí)別能力獲得了較大突破。雷峰網(wǎng)
研究團(tuán)隊(duì)還將 LegoOcc 與 TPVFormer、GaussianFormer、MonoScene、ISO、SurroundOcc、EmbodiedOcc、EmbodiedOcc++、RoboOcc 等閉集方法進(jìn)行了比較。這些閉集方法使用完整語(yǔ)義體素標(biāo)注訓(xùn)練，其中表現(xiàn)較強(qiáng)的 RoboOcc 達(dá)到 56.48 IoU 與 47.76 mIoU。雖然 LegoOcc 的 mIoU 仍低于 RoboOcc，但它在完全不使用 3D 語(yǔ)義標(biāo)簽的前提下，實(shí)現(xiàn)了超過(guò)所有閉集方法的 59.50 IoU。這說(shuō)明，LegoOcc 在“空間哪里被占據(jù)”這一核心幾何問(wèn)題上已經(jīng)非常強(qiáng)，而開(kāi)放詞匯 3D 語(yǔ)義理解本身仍然是一個(gè)極具挑戰(zhàn)性的任務(wù)。
原因在于，室內(nèi)類別天然更加細(xì)碎且邊界模糊。椅子、沙發(fā)、其他家具等類別本身就容易混淆；開(kāi)放詞匯模型依賴 3D 特征與文本特征對(duì)齊，其類別邊界不如閉集分類器穩(wěn)定，同時(shí)還會(huì)受到2D 開(kāi)放詞匯分割質(zhì)量、遮擋關(guān)系 、投影誤差和單目深度歧義等因素影響。
02
消融實(shí)驗(yàn)進(jìn)一步說(shuō)明，LegoOcc 的性能提升主要來(lái)自兩個(gè)關(guān)鍵設(shè)計(jì)。
第一個(gè)關(guān)鍵設(shè)計(jì)，是高斯分布到體素占用（Poisson-based Gaussian-to-Occupancy）的轉(zhuǎn)換方法。GaussianFormer2 在開(kāi)放詞匯訓(xùn)練下幾乎直接失敗，結(jié)果為 0.00 的交并比與 0.00 的平均交并比。原因在于，它沒(méi)有充分利用高斯分布的透明度信息。伯努利方法雖然引入了透明度，性能提升至 46.65 的交并比與 17.25 的平均交并比，但在多個(gè)高斯分布重疊時(shí)，透明度仍然容易被平均化，導(dǎo)致語(yǔ)義特征對(duì)齊不穩(wěn)定。提出的基于泊松分布的高斯到占用轉(zhuǎn)換方法，最終達(dá)到 59.50 的交并比與 21.05 的平均交并比。將每個(gè)高斯分布視為空間中的一種占用證據(jù)，多個(gè)高斯分布的證據(jù)能夠自然累積，共同決定某個(gè)位置是否被占據(jù)。相比簡(jiǎn)單疊加或平均，這種方式更穩(wěn)定地解決二值幾何監(jiān)督下的三維占用轉(zhuǎn)換問(wèn)題。雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))
第二個(gè)關(guān)鍵設(shè)計(jì)，是漸進(jìn)式溫度衰減策略（Progressive Temperature Decay）。問(wèn)題來(lái)源于語(yǔ)義特征混合，在三維高斯分布渲染到二維圖像時(shí)，同一條視線上往往同時(shí)包含椅子邊緣、桌腿、墻面背景等多個(gè)結(jié)構(gòu)。如果直接進(jìn)行加權(quán)融合，不同物體的語(yǔ)義會(huì)相互混雜。實(shí)驗(yàn)表明，溫度始終較高時(shí)，訓(xùn)練雖然穩(wěn)定，但語(yǔ)義混合嚴(yán)重；一開(kāi)始就使用低溫會(huì)導(dǎo)致訓(xùn)練直接崩潰；而訓(xùn)練階段高溫、測(cè)試階段低溫，則會(huì)因?yàn)橛?xùn)練與測(cè)試不一致導(dǎo)致性能下降。效果最好的是指數(shù)式溫度衰減，最終達(dá)到 59.50 的交并比與 21.05 的平均交并比。這意味著模型需要先穩(wěn)定學(xué)習(xí)場(chǎng)景結(jié)構(gòu)與語(yǔ)義對(duì)齊，再逐漸減少特征混合，讓每個(gè)高斯分布更加明確地對(duì)應(yīng)具體物體或區(qū)域。
03
在單張 RTX 4090 顯卡上，LegoOcc 達(dá)到每秒 22.47 幀，而 ISO 為每秒 3.81 幀，EmbodiedOcc 為每秒 11.48 幀，POP-3D 為每秒 10.21 幀，LOcc 為每秒 8.93 幀。
LegoOcc不僅依賴復(fù)雜后處理或多階段推理，而是借助緊湊的三維高斯表示，在速度與準(zhǔn)確率之間取得了良好平衡。可視化結(jié)果同樣支持這一點(diǎn)。相比 LOcc，LegoOcc 對(duì)墻體、地板、家具、桌椅等結(jié)構(gòu)的三維預(yù)測(cè)更加完整，空間結(jié)構(gòu)更加連續(xù)。
在開(kāi)放詞匯查詢中，模型還能根據(jù)背包、自行車、窗簾、鞋子、紙張、垃圾桶等自然語(yǔ)言類別，在三維空間中定位對(duì)應(yīng)物體，而這些類別并不一定屬于 Occ-ScanNet 固定定義的 11 個(gè)語(yǔ)義類別。因此，LegoOcc 不僅提升數(shù)據(jù)集指標(biāo)，而是讓模型更接近自然語(yǔ)言驅(qū)動(dòng)的三維場(chǎng)景理解。
04
第一個(gè)限制是“閉集類別”問(wèn)題，也就是模型只能識(shí)別訓(xùn)練數(shù)據(jù)中預(yù)先定義好的類別。例如，在 Occ-ScanNet 數(shù)據(jù)集中，主要評(píng)估的類別包括天花板、地板、墻壁、窗戶、椅子、床、沙發(fā)、桌子、電視、家具以及雜項(xiàng)物體等。但真實(shí)室內(nèi)環(huán)境遠(yuǎn)比數(shù)據(jù)集復(fù)雜，還存在書包、鞋子、垃圾桶、紙張、遙控器、衣服、玩具等大量長(zhǎng)尾物體，而這些目標(biāo)往往并不在固定類別列表中。
第二個(gè)限制是對(duì)昂貴三維語(yǔ)義標(biāo)注的依賴。傳統(tǒng)三維語(yǔ)義占用模型通常需要知道每一個(gè)三維體素具體屬于什么類別。然而，室內(nèi)環(huán)境中的物體往往高度密集、遮擋嚴(yán)重、類別繁多，如果采用人工逐點(diǎn)或逐體素標(biāo)注，成本極高，也很難擴(kuò)展到大規(guī)模真實(shí)場(chǎng)景。
因此，研究團(tuán)隊(duì)采用更符合實(shí)際應(yīng)用的訓(xùn)練方式：訓(xùn)練階段只使用二值占用標(biāo)簽，僅告訴模型“這里是否有物體”，而不提供具體語(yǔ)義類別。模型的語(yǔ)義能力則通過(guò)開(kāi)放詞匯二維分割模型與語(yǔ)言特征對(duì)齊來(lái)獲得。
雖然訓(xùn)練階段不使用語(yǔ)義體素標(biāo)簽，但在評(píng)估階段，仍然會(huì)利用語(yǔ)義標(biāo)簽檢驗(yàn)?zāi)Ｐ褪欠衲軌蛘_識(shí)別空間中的物體類別。評(píng)估主要采用兩個(gè)指標(biāo)：交并比用于衡量占用預(yù)測(cè)能力，即模型是否知道“哪里有東西”；平均交并比則用于衡量語(yǔ)義預(yù)測(cè)能力，即模型是否知道“這些位置分別屬于什么類別”。
05
LegoOcc 的核心中間表示是帶語(yǔ)言特征的三維高斯表示，這里的三維高斯不僅是空間點(diǎn)或模糊橢球，而同時(shí)攜帶幾何信息與語(yǔ)言語(yǔ)義信息。
幾何信息包括它在三維空間中的位置、形狀、大小以及透明度，用于判斷空間中哪些區(qū)域被物體占據(jù)；語(yǔ)言語(yǔ)義信息則是一個(gè)能夠與文本特征對(duì)齊的向量，用于支持開(kāi)放詞匯查詢。幾何與語(yǔ)義被統(tǒng)一綁定在同一個(gè)三維表示之中。模型不再是“先預(yù)測(cè)三維結(jié)構(gòu)、再額外貼語(yǔ)義標(biāo)簽”，而是在每個(gè)三維高斯中同時(shí)保存“它在哪里”以及“它可能代表什么”。
傳統(tǒng)的“高斯到占用”方法容易出現(xiàn)兩個(gè)問(wèn)題。首先，幾何分支沒(méi)有充分利用透明度，而語(yǔ)義渲染過(guò)程卻依賴透明度信息，導(dǎo)致幾何學(xué)習(xí)與語(yǔ)義學(xué)習(xí)之間存在不一致；其次，室內(nèi)場(chǎng)景中的物體十分密集，多個(gè)高斯可能同時(shí)影響同一個(gè)體素，如果簡(jiǎn)單疊加貢獻(xiàn)，容易出現(xiàn)飽和或訓(xùn)練不穩(wěn)定的問(wèn)題。
為此，研究團(tuán)隊(duì)提出基于泊松建模的高斯到占用轉(zhuǎn)換方法。該方法將每個(gè)高斯對(duì)空間位置的影響理解為一種“這里可能存在物體”的證據(jù)，一個(gè)位置是否被占據(jù)，由所有相關(guān)高斯的證據(jù)共同決定。這樣不僅能夠更自然地處理多個(gè)高斯重疊的問(wèn)題，也能夠讓透明度真正參與幾何占用判斷。訓(xùn)練過(guò)程中，幾何分支采用二值占用監(jiān)督，并結(jié)合占用損失與深度約束，使模型能夠?qū)W習(xí)穩(wěn)定的三維空間結(jié)構(gòu)。
06
語(yǔ)義分支的目標(biāo)，是讓每個(gè)高斯的語(yǔ)言特征能夠與文本類別實(shí)現(xiàn)對(duì)齊。
研究團(tuán)隊(duì)并沒(méi)有使用人工標(biāo)注的三維語(yǔ)義標(biāo)簽，而是借助已經(jīng)訓(xùn)練好的開(kāi)放詞匯二維分割模型，從圖像中提取語(yǔ)言對(duì)齊的語(yǔ)義特征。研究中采用了類似 Trident 的開(kāi)放詞匯分割模型。
LegoOcc 先從輸入圖像預(yù)測(cè)帶語(yǔ)言特征的三維高斯，再將這些高斯的語(yǔ)義特征重新渲染回二維圖像平面，從而得到每個(gè)像素位置上的渲染語(yǔ)義特征。隨后，再利用開(kāi)放詞匯二維分割模型從原始圖像中提取語(yǔ)言對(duì)齊的二維特征，并讓兩者盡可能保持一致。這樣，模型便能夠借助二維視覺(jué)語(yǔ)言模型獲得語(yǔ)義監(jiān)督，而無(wú)需人工為每個(gè)三維體素逐一標(biāo)注類別。
07
室內(nèi)場(chǎng)景中容易出現(xiàn)“特征混合”問(wèn)題。比如，一張圖像中可能同時(shí)包含桌子、椅子、墻壁和地板。某個(gè)像素從二維圖像上看主要屬于椅子，但沿著視線進(jìn)入三維空間后，可能會(huì)同時(shí)經(jīng)過(guò)椅子邊緣、桌腿以及背景墻面等多個(gè)結(jié)構(gòu)。在渲染過(guò)程中，多個(gè)高斯的語(yǔ)義特征會(huì)被加權(quán)融合到同一個(gè)像素中。如果直接利用這種混合特征去對(duì)齊二維開(kāi)放詞匯特征，模型雖然能夠讓最終結(jié)果“看起來(lái)像椅子”，卻無(wú)法保證真正屬于椅子的那些高斯本身學(xué)到了清晰的椅子語(yǔ)義。最終映射回三維空間時(shí)，語(yǔ)義邊界就會(huì)變得模糊。
為了緩解特征混合問(wèn)題，研究團(tuán)隊(duì)提出漸進(jìn)式溫度衰減的策略，用于控制高斯渲染時(shí)特征融合的軟硬程度。在訓(xùn)練初期，模型尚未學(xué)好幾何結(jié)構(gòu)與語(yǔ)義特征。如果一開(kāi)始就讓每個(gè)高斯的貢獻(xiàn)非常尖銳，訓(xùn)練過(guò)程會(huì)變得不穩(wěn)定，梯度也可能難以優(yōu)化。因此，早期需要采用較平滑的特征融合方式，讓模型先學(xué)習(xí)整體場(chǎng)景結(jié)構(gòu)。而到了訓(xùn)練后期，模型已經(jīng)具備較穩(wěn)定的幾何基礎(chǔ)。如果仍然保持過(guò)于平滑的融合，不同物體的語(yǔ)義就會(huì)持續(xù)混雜。因此，需要逐漸降低溫度，讓重要高斯的貢獻(xiàn)更加突出，不相關(guān)高斯的影響進(jìn)一步減弱，從而讓每個(gè)高斯對(duì)應(yīng)的語(yǔ)義更加清晰。
研究團(tuán)隊(duì)比較了多種策略，包括不使用溫度衰減、固定低溫度、線性衰減以及指數(shù)衰減。實(shí)驗(yàn)結(jié)果表明，指數(shù)式溫度衰減效果最好，因?yàn)樗軌蜃屇Ｐ驮诘蜏仉A段停留更長(zhǎng)時(shí)間，從而更充分地學(xué)習(xí)每個(gè)高斯對(duì)應(yīng)的清晰語(yǔ)義。
08
訓(xùn)練完成后，LegoOcc 可以直接進(jìn)行自然語(yǔ)言查詢。推理階段，模型首先從單張室內(nèi)圖像預(yù)測(cè)帶語(yǔ)言特征的三維高斯表示，再進(jìn)一步生成三維占用空間。對(duì)于每一個(gè)被占據(jù)的位置，系統(tǒng)都會(huì)保留對(duì)應(yīng)的語(yǔ)言對(duì)齊特征。當(dāng)用戶輸入一個(gè)文本類別，例如“紙張”或“鞋子”時(shí)，系統(tǒng)會(huì)先將文本轉(zhuǎn)換成語(yǔ)言特征，再與三維空間中的特征進(jìn)行匹配。匹配程度越高的位置，就越有可能屬于對(duì)應(yīng)類別。開(kāi)放詞匯的類別并不是固定寫死在模型最后一層分類器中的，而是通過(guò)文本特征動(dòng)態(tài)查詢得到。因此，模型能夠處理訓(xùn)練階段沒(méi)有明確出現(xiàn)在固定類別表中的物體。
LegoOcc 證明，室內(nèi)場(chǎng)景同樣能夠?qū)崿F(xiàn)開(kāi)放詞匯三維占用預(yù)測(cè)。這對(duì)于服務(wù)機(jī)器人、家庭機(jī)器人、增強(qiáng)現(xiàn)實(shí) / 虛擬現(xiàn)實(shí)以及室內(nèi)導(dǎo)航等方向，都具有重要意義。對(duì)于普通用戶而言，這意味著未來(lái)的機(jī)器人不再只是“識(shí)別固定類別”，而是真正能夠理解人的自然語(yǔ)言。它可以根據(jù)一句話找到地上的紙、桌子旁邊的背包、椅子后面的鞋子，也能夠在收納、找物、避障、陪護(hù)以及室內(nèi)導(dǎo)航等任務(wù)中更加實(shí)用。
這項(xiàng)研究顯著降低了三維語(yǔ)義理解的訓(xùn)練成本。相比二維圖像標(biāo)注，三維語(yǔ)義標(biāo)注需要在空間中逐點(diǎn)或逐體素進(jìn)行類別標(biāo)注，工作量更大，而室內(nèi)物體類別又高度長(zhǎng)尾，很難依靠人工窮盡。LegoOcc 通過(guò)“二值占用學(xué)習(xí)幾何 + 二維開(kāi)放詞匯模型提供語(yǔ)義監(jiān)督”的方式，使未來(lái)構(gòu)建大規(guī)模三維語(yǔ)義理解系統(tǒng)的成本顯著降低。
當(dāng)然，這項(xiàng)研究仍然存在一定局限。例如，其語(yǔ)義平均交并比仍低于使用完整語(yǔ)義監(jiān)督的閉集方法，說(shuō)明開(kāi)放詞匯三維語(yǔ)義對(duì)齊仍不夠精確。模型還依賴二維開(kāi)放詞匯分割模型的質(zhì)量，而單目輸入本身也存在深度歧義。此外，不同文本提示詞，例如“椅子”“座椅”“辦公椅”等，可能影響最終查詢結(jié)果的穩(wěn)定性。
LegoOcc推動(dòng)室內(nèi)三維理解從固定類別識(shí)別，進(jìn)一步邁向更加靈活、更加自然的語(yǔ)言交互，為未來(lái)真正實(shí)用的家庭機(jī)器人、輔助設(shè)備以及增強(qiáng)現(xiàn)實(shí) / 虛擬現(xiàn)實(shí)系統(tǒng)提供了重要基礎(chǔ)。
09
第一作者：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(chǎng)景理解方法研究，當(dāng)前重點(diǎn)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。
通訊作者：陳昶昊，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，副研究員，博士生導(dǎo)師，擔(dān)任香港科技大學(xué)（清水灣校區(qū)）跨學(xué)科學(xué)院聯(lián)署助理教授。
獲英國(guó)牛津大學(xué)計(jì)算機(jī)科學(xué)博士學(xué)位，并在英國(guó)工程和自然科學(xué)研究委員會(huì)（EPSRC）資助下從事博士后研究。擔(dān)任香港科技大學(xué)（廣州）具身智能PEAK實(shí)驗(yàn)室獨(dú)立PI.
其研究聚焦具身智能和自主無(wú)人系統(tǒng)前沿探索，致力于構(gòu)建開(kāi)放環(huán)境交互的具身智能體，服務(wù)低空經(jīng)濟(jì)、智能交通和智慧城市。
先后入選全球前2%頂尖科學(xué)家榜單、中國(guó)科協(xié)青年人才托舉工程和國(guó)際機(jī)器人科學(xué)與系統(tǒng)大會(huì)先鋒者，主持國(guó)家自然科學(xué)基金面上、青年以及省教育廳重點(diǎn)等縱向項(xiàng)目7項(xiàng)。
在NeurIPS、AAAI、CVPR、ICCV、ECCV、ICRA、IROS、WWW、TNNLS、TIP、TITS、RA-L等人工智能、機(jī)器人和智能交通領(lǐng)域高水平期刊和頂級(jí)會(huì)議上發(fā)表論文50余篇，谷歌學(xué)術(shù)引用超過(guò)3800次。
國(guó)際機(jī)器人與自動(dòng)化會(huì)議（ICRA）和IEEE機(jī)器人與自動(dòng)化快報(bào)（RA-L）副編輯（Associate Editor），中國(guó)自動(dòng)化學(xué)會(huì)機(jī)器人專委會(huì)和具身智能專委會(huì)委員。已授權(quán)國(guó)家發(fā)明專利、國(guó)際PCT專利、美國(guó)、歐洲、澳大利亞專利共14項(xiàng)，包含1項(xiàng)在英國(guó)成功成果轉(zhuǎn)化。
參考鏈接：https://changhao-chen.github.io/
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
專題
本專題其他文章
