HouseExpo

HouseExpo数据集是由香港中文大学电子工程系创建的大型2D室内布局数据集，包含35,126个人工设计的2D房屋蓝图，总计252,550个房间，涵盖从单间工作室到多房间住宅的多样化结构。数据集通过PseudoSLAM模拟平台加速数据生成过程，提高训练效率。该数据集主要用于支持深度学习技术在移动机器人任务中的应用，如自主探索和避障，旨在通过模拟和真实世界实验验证数据集的有效性。The HouseExpo dataset is a large-scale 2D indoor layout dataset created by the Department of Electronic Engineering, The Chinese University of Hong Kong. It contains 35,126 manually designed 2D house blueprints, totaling 252,550 rooms, covering diverse structures ranging from single-room studios to multi-room residences. The dataset leverages the PseudoSLAM simulation platform to accelerate the data generation process and improve training efficiency. This dataset is primarily designed to support the application of deep learning technologies in mobile robotics tasks such as autonomous exploration and obstacle avoidance, aiming to validate the effectiveness of the dataset through both simulation and real-world experiments.

搜集汇总

数据集介绍

构建方式

HouseExpo数据集构建于SUNCG数据集之上，该数据集包含了45,622个手工设计的3D房屋模型。为了生成2D室内布局数据集，研究人员首先从SUNCG中提取3D结构模型，并获取地面截面和门截面。通过计算地面截面的轮廓，将外部填充为障碍物，从而得到室内布局。接着，移除门并在生成的布局中重新检查连通性，确保所有房间相互连接。最后，对墙壁进行细化，并裁剪图像以使房屋居中。为了减少冗余，研究人员通过计算像素差异来重新检查地图之间的相似性，并移除重复的元素。

使用方法

使用HouseExpo数据集时，用户可以将其导入到PseudoSLAM模拟平台中。PseudoSLAM是一个轻量级的模拟平台，它具有OpenAI Gym兼容的接口，可以模拟SLAM和导航过程。用户可以指定机器人配置、障碍物、分辨率、传感器范围等参数，以满足不同应用的需求。PseudoSLAM还可以生成障碍物，以增加训练样本的多样性。通过在模拟环境中训练模型，用户可以验证模型的有效性和泛化能力，并将学习到的策略转移到真实世界的机器人平台上。

背景与挑战

背景概述

随着人工智能领域的飞速发展，移动机器人在近年来越来越受到关注。然而，由于缺乏通用的实验平台，当前移动机器人的研究往往在手动设计的场景中进行评估。同时，随着深度学习技术的进步，一些研究人员试图将基于学习的方法应用于移动机器人任务，这需要大量的数据。为了满足这一需求，我们构建了HouseExpo，一个包含35,126个2D室内布局的大型数据集，总共包括252,550个房间。我们还开发了一个轻量级且高效的模拟平台PseudoSLAM，以加速数据生成过程，从而加快训练过程。在我们的实验中，我们构建了模型来从学习的角度解决避障和自主探索问题，并通过模拟和真实世界的实验验证了我们的模拟器和数据集的有效性。所有数据和代码都可在网上获取，我们希望HouseExpo和PseudoSLAM能满足数据需求，并使整个社区受益。

当前挑战

当前数据集和模拟器难以满足对大规模、多样化数据的需求。现有的2D环境数据集在规模和多样性方面有限，这可能会影响算法的性能。此外，模拟器在通过同时定位与建图(SLAM)构建地图的耗时较长，成为训练神经网络的瓶颈。这些问题促使我们开发了一个大型数据集HouseExpo和一个快速模拟平台PseudoSLAM，以提高训练效率。

常用场景

经典使用场景

HouseExpo数据集被广泛用于学习型算法在移动机器人领域的应用，特别是在障碍物规避和自主探索任务中。它提供了大规模的室内布局数据，使得研究人员可以训练深度强化学习模型，并在模拟环境中测试这些模型的有效性。PseudoSLAM模拟器与HouseExpo数据集结合，为移动机器人算法的开发提供了一个高效的训练平台。

解决学术问题

HouseExpo数据集解决了移动机器人领域学习型算法训练数据不足的问题。现有的数据集在规模和多样性上都有所限制，而HouseExpo数据集包含了大量的2D室内布局图，为深度学习模型提供了丰富的训练数据。此外，PseudoSLAM模拟器通过模拟SLAM过程，提高了训练效率，并减少了模拟与现实之间的差距，使得在模拟环境中训练的模型能够更好地迁移到真实世界中。

实际应用

HouseExpo数据集和PseudoSLAM模拟器在实际应用中具有重要的价值。例如，在智能家居环境中，移动机器人可以利用这些工具进行自主导航和室内清洁。此外，这些工具还可以用于商场、博物馆等公共场所的移动机器人导航和路径规划。

数据集最近研究

最新研究方向

HouseExpo数据集为基于学习的移动机器人算法提供了一个大规模的二维室内布局数据集，包含35,126个2D平面图，总计252,550个房间。结合PseudoSLAM模拟平台，该数据集有助于加速数据生成过程，提高训练效率。近期研究主要关注在移动机器人领域应用深度学习技术，特别是在自主探索和避障任务中。通过在模拟和真实世界中进行的实验，验证了HouseExpo和PseudoSLAM的有效性，展示了学习策略在现实环境中的泛化能力。未来研究方向包括如何优化利用拓扑信息，以及将控制层次结构融入学习过程，以实现更高效和复杂的机器人任务。

相关研究论文

• HouseExpo: A Large-scale 2D Indoor Layout Dataset for Learning-based Algorithms on Mobile Robots

  香港中文大学 · 2020年