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。
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：
- 克隆项目仓库。
- 创建Python环境并安装PyTorch。
- 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 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
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
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
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
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
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
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
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
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
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。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号