EmbodiedScan

EmbodiedScan

全面多模态3D感知套件,提高具身AI的理解能力

EmbodiedScan及其系列如MMScan是专为多模态3D感知设计的开放数据集与基准,用于深入理解第一人称3D场景。包含超过5000次扫描、100万RGB-D视图、语言提示和160k 3D定向框。基于此数据库的Embodied Perceptron展示了在3D感知和语言定位中的优秀表现,适用于计算机视觉和机器人领域。通过我们的演示和基准测试,了解详细信息和应用案例。

EmbodiedScanMMScan3D感知多模态深度学习Github开源项目

EmbodiedScan 项目介绍

项目背景

在计算机视觉和机器人技术领域,赋能的智能体(embodied agents)被期望能够探索环境并根据人类指令执行任务。这就要求它们能够通过第一视角去全面理解三维场景,并将其用语言结合以便于交互。然而,传统的研究更加关注从全局视角进行的场景级输入输出设置。为弥补这一差距,我们引入了 EmbodiedScan,一个面向全面3D场景理解的多模态、以自我为中心的三维感知数据集和基准。该项目包含超过5000个扫描,涵盖100万自我中心的RGB-D视图、100万语言提示、160,000个3D导向框,跨越760多个类别,其中一些部分与LVIS对齐,以及80个常见类别的密集语义占用。

在此基础上,我们推出了一种基准框架,名为 Embodied Perceptron。它能够处理任意数量的多模态输入,并在我们设立的两个系列基准测试中展示了卓越的3D感知能力,即基础3D感知任务和基于语言的任务,并且在实际应用中效果显著。

项目的最新动态

  • 2024年9月:发布了EmbodiedScan v2的测试版,增加了来自ARKitScenes的约5000个新扫描,同时发布了MMScan初始版本的注释。
  • 2024年8月:初步发布了MMScan的样本数据,完整版本将在本月与ARKitScenes的注释一起发布。
  • 2024年6月:发布了关于具有史无前例的层次化语言注释的后续工作MMScan的报告。
  • 2024年4月:发布了所有基线预训练模型和日志。
  • 2024年3月:挑战测试服务器上线,邀请大家的强势提交。

快速上手

该项目在Ubuntu 20.04环境下进行测试,支持NVIDIA Driver 525.147.05、CUDA 12.0、Python 3.8.18、PyTorch 1.11.0+cu113和PyTorch3D 0.7.2等环境配置。用户可以按照以下步骤进行安装:

  1. 克隆项目仓库。
  2. 创建Python环境并安装PyTorch。
  3. 安装EmbodiedScan及其依赖。

模型和基准

Embodied Perceptron模型接受任意数量视角的RGB-D序列与文本作为多模态输入。经过经典的特征编码后,能够进行密集和稀疏的融合以进行不同预测。该模型融合了文本特征的3D特征后,可以用于基于语言的理解。

训练与评估

用户可以根据不同任务的配置文件进行训练与测试。例如,可以使用单GPU或多GPU方式对多视角3D检测模型进行训练。在测试阶段,可以通过指定预训练模型的路径来评估模型。

基准测试

我们提供了一些基线结果,其日志和预训练模型可供下载。性能数据会因数据集的重新划分而有所不同。

今后的工作计划

我们计划继续完善数据集API和相关代码,并且陆续发布更多方法的代码和完整更新版本,包括MMScan的数据和代码。

引用

如果该项目对您有帮助,请引用以下参考文献。请同时引用我们使用的原始数据集的相关文献。

致谢

特别感谢OpenMMLab、PyTorch3D、ScanNet、3RScan和Matterport3D等开源项目为我们提供了强大的支持与数据来源。我们还受到ReferIt3D和SUSTechPOINTS项目的启发。

如此多的努力和协作,推动了EmbodiedScan项目的发展,希望这个工具可以为研究人员提供更多的帮助和启发。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多