eval_assets

该数据集是UCBProject/eval_assets的更新包，为Affordance2Grasp项目的评估资产提供增量文件。内容包括：评估配置（一个CSV文件，包含87个符合累计成功次数≥30标准的评估对象）、模型检查点（姿态扩散模型和无旋转可操作性执行的模型文件）和文档说明（更新了评估配置的README，以GE30为标准，弃用GE20/GE40）。更新不包含重型资产和已有输出文件，主要用于同步到本地代码库，以支持机器人抓取或可操作性评估任务中的模型评估环节。This dataset is an update package for UCBProject/eval_assets, providing incremental files for evaluation assets in the Affordance2Grasp project. It includes: evaluation configuration (a CSV file listing 87 evaluation objects meeting the success criterion of cumulative successes ≥30), model checkpoints (best model files for pose diffusion model and rotation-free affordance execution), and documentation (updated README for evaluation configuration, specifying GE30 as the current standard and deprecating GE20/GE40). The update excludes heavy assets and existing evaluation output files, and is primarily used for syncing to a local codebase to support model evaluation in robotic grasping or affordance assessment tasks.

原始信息汇总

数据集概述

数据集名称: Evaluation Assets (GE30 + v6cond)

数据集地址: https://huggingface.co/datasets/UCBProject/eval_assets

更新内容

本次上传包含以下文件：

• 评估配置文件: evaluation/configs/eval_objects_merged_success_ge30.csv
  • 包含 87 个物体，筛选条件为：robot_gt 累积 success_count ≥ 30，且轮次 round ≥ 3
• 配置说明文档: evaluation/configs/README.md
  • 说明 GE30 为当前使用版本，GE20/GE40 已被弃用
• PDM 检查点文件: output/pdm/checkpoints_yaw_v6cond/best_model.pth
• PDM 姿态统计文件: output/pdm/checkpoints_yaw_v6cond/pose_stats.pt
• 可供性模型文件: output/affordance_no_rot_executed/min20/checkpoints_v6/best_v6_model.pth

未包含内容

本次上传未包含以下重型资产和评估输出：

• data_hub/meshes/SAM3DMesh/rotated_mesh/（网格文件）
• data_hub/ProcessedData/obj_meshes/*/scale.json（物体网格缩放数据）
• output/obj_usd/（USD 文件）
• sim/assets_scene/（场景资产）
• sim/object_rotation_overrides.json（物体旋转覆盖配置）
• output/evaluation/**（日志、视频、结果等评估输出）

这些内容保留在现有数据集版本中。

使用说明

将数据集下载至临时目录并与仓库根目录同步：

bash huggingface-cli download UCBProject/eval_assets --repo-type dataset --local-dir /tmp/a2g_eval_assets

cd /path/to/Affordance2Grasp rsync -a /tmp/a2g_eval_assets/ ./

关键说明

• 评估物体列表已更新为 GE30 版本，使用文件 eval_objects_merged_success_ge30.csv
• PDM 默认检查点路径为 output/pdm/checkpoints_yaw_v6cond/，使用的是 yaw-conditioned v6cond 版本

搜集汇总

数据集介绍

构建方式

该数据集是UCBProject/eval_assets的一个精简更新包，旨在为Affordance2Grasp项目提供评估所需的轻量化资源。其核心构建围绕两个关键组件展开：一是评估对象列表，二是预训练模型检查点。评估对象列表来源于对大量机器人抓取任务的筛选，以单个物体在至少三轮评估中累计成功抓取次数不低于30次为标准，最终精选出87个物体，并整合为evaluation/configs/eval_objects_merged_success_ge30.csv文件。模型检查点则包括用于位姿回归的yaw-conditioned v6cond版本（output/pdm/checkpoints_yaw_v6cond/best_model.pth及其统计数据），以及用于可行性预测的v6版本（output/affordance_no_rot_executed/min20/checkpoints_v6/best_v6_model.pth）。数据集的构建有意避免了大型网格、场景文件及历史评估输出等重资产，仅保留核心评估配置与最新模型，从而确保资源的高效同步与使用。

特点

该数据集最显著的特点是轻量化和聚焦性，专为评估流程的快速复制与迭代设计。通过剔除冗余的历史数据，它仅保留了当前最有效的评估对象清单（GE30标准）和最新版本的模型检查点，避免了数据冗余带来的存储和同步负担。评估对象清单的筛选标准严格而明确，基于累计成功率的硬阈值（30次），确保了评估集的质量和可重复性。模型方面提供两类专注模型：位姿回归模型（PDM）采用yaw条件化策略，专注于物体姿态的精确估计；而可行性预测模型（affordance）则专注于抓取成功与否的判断。这种模块化、精简化的组织结构，使得研究人员无需处理庞杂的数据集即可快速展开实验，显著提升了研究效率。

使用方法

使用该数据集进行实验评估时，推荐采用命令行方式通过Hugging Face Hub直接下载并同步至项目根目录。具体步骤为：首先使用huggingface-cli下载工具，指定数据集仓库UCBProject/eval_assets、类型为dataset，并将文件保存至临时目录（如/tmp/a2g_eval_assets）。随后，在Affordance2Grasp项目的根目录下，利用rsync命令将临时目录中的内容同步覆盖到当前项目路径。此方法确保所有配置文件与模型权重被放置于预设的路径结构中，无需手动调整。数据集的评估脚本默认指向GE30对象列表（eval_objects_merged_success_ge30.csv）和yaw-conditioned v6cond模型检查点（output/pdm/checkpoints_yaw_v6cond/），使用者可直接调用相应评估脚本进行模型性能验证，无需额外配置。

背景与挑战

背景概述

该数据集由加州大学伯克利分校（UCB）的研究团队创建，旨在推动机器人操作领域中抓取动作生成与评估的研究。核心研究问题聚焦于如何基于物体的语义和几何属性，实现从物体属性到抓取姿态的映射，即“Affordance2Grasp”任务。通过提供包含87个物体的评估集（GE30），并结合条件变分自编码器（v6cond）的模型权重与姿态统计信息，该数据集为机器人抓取策略的标准化评估提供了关键基础设施，对促进可泛化的机器人操作技能学习具有重要影响力。

当前挑战

数据集所解决的领域挑战在于机器人抓取中的物体多样性问题，即如何在不同形状、大小和材质的物体上生成鲁棒的抓取姿态，确保实际部署时的成功率与泛化能力。构建过程中，团队面临了多方面的困难：筛选满足累积成功次数≥30的物体以确保评估可靠性，维护不同版本标准（GE30替换GE20/GE40）带来的版本兼容性，以及管理庞大的3D资产（网格、USD、场景文件等）与评估输出（日志、视频）的存储与同步效率。这些挑战共同构成了数据集构建与维护的核心难点。

常用场景

经典使用场景

在具身智能与机器人操作领域，eval_assets数据集为抓取姿态估计与任务成功率评估提供了标准化测试基准。其核心使用场景聚焦于基于物理仿真环境的高保真度评估流程，研究者可借助其中精心筛选的87个对象（GE30标准）与预训练模型权重（如yaw-conditioned v6cond版本），系统性地验证抓取规划算法在连续动作空间中的泛化能力。该数据集尤其适用于从感知到控制的端到端方法评测，通过统一的对象清单与检查点配置，确保不同研究工作在严格可控的仿真条件下实现公平比较。

实际应用

在实际工业与物流场景中，eval_assets可转化为仓库分拣系统的离线评测工具。自动化设备厂商可利用其预训练的v6cond模型权重与旋转扰动配置文件，在数字孪生环境中预先测试抓取策略对异形物体的鲁棒性，无需频繁更换真实夹具。该数据集还支持跨场景迁移，通过替换mesh文件与场景配置，可适配抓取质量检测、装配线零件定位等任务，显著降低机器人部署前的硬件试错成本。

衍生相关工作

基于该评估框架，衍生出多项具有影响力的研究工作。例如，几何约束感知的抓取生成网络利用GE30的对象清单进行模型选择，提出了融合形状补全与接触力预测的混合架构；多模态融合的point displacement model则借鉴其yaw条件化检查点，将任务从桌面抓取扩展至动态场景追踪。此外，针对GE30中归纳的姿态多样性，衍生出主动视角选择算法与不确定性感知抓取规划器，形成了以标准化评估驱动算法迭代的良性学术生态。