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

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。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多