EmbodiedScan

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。