用于室内漫游的轨迹合成数据

本数据集聚焦于室内环境中随机漫游轨迹的合成数据，以图像序列及相机参数文件格式封装，涵盖客厅、卧室、厨房、卫生间、书房等多种家居场景。数据生成时模拟一个自由漫游的虚拟相机，其轨迹完全随机（非结构化），包括直线行走、原地旋转、上下俯仰、沿墙探索等运动模式，相机参数为分辨率1920×1080、视场角60度，高度在300mm至1600mm之间随机变化，俯仰角在-60度至60度之间随机变化。数据集包含相机位姿（内外参）、深度图（16位）、COCO格式的2D物体标注信息、相机坐标系下的法向图、RGB渲染图、语义分割图、反照率图。为真实还原家庭环境的动态性与视觉多样性，我们采用矩形面光源与点光源混合模拟室内光照（日间自然光、夜间暖光、局部射灯），并随机布置不同密度的日常杂物（如地面玩具、桌面水杯、散落书籍）。该数据集可直接用于室内漫游场景下的视觉SLAM训练、机器人自主导航、场景理解与重建等应用。将酷家乐设计的空间方案转化为NVIDIA机器人仿真所需的通用场景描述（OpenUSD）资产，整合了传感器参数、高精度网格、真实光照、物理材质、碰撞体及关节驱动等核心信息，数据资产以.usda格式存储，并由NVIDIA官方Isaac Sim平台提供可视化与仿真支持。本算法旨在处理三维模型（涵盖家居中的桌椅橱柜、商超中的货架冷柜、仓储中的高位货架及叉车等典型场景物体），通过模型分割、实例重组及格式转换等步骤生成新的实例模型：首先接收包含位置、尺寸、材质、顶点、法向、面片等字段的任意初始三维模型，运用拓扑连通性聚类算法将其拆分为多个面片组并获取模型类型字段，有效提取家居、商超或仓储场景下物体的结构特征；随后对上述字段进行部件级分割，利用Qwen-VL-Max和GroundingDino算法将分割后的部件组合为独立模型实例（如将抽屉与柜体分离、货架层板与立柱重组、叉车属具与车体重组）并获取标签字段，使每个实例能够基于原模型的结构进行识别与应用，便于在混合场景中布局；最后将拆分获得的实例模型及其材质信息转换为OpenUSD格式，并添加碰撞体设置与动画约束信息字段，使模型能够在场景中动态交互（如家居抽屉开合、商超冷柜门开关、仓储叉车升降）。通过以上流程，原有数据库中的模型被重组为新的实例模型并组装成完整的家居、商超或仓储三维场景，可满足场景渲染、机器人训练（如机器人抓取货架商品、叉车仿真作业）等多种应用需求。

搜集汇总

背景与挑战

背景概述

该数据集为室内环境下随机漫游轨迹的合成数据，以图像序列和相机参数文件形式封装，涵盖客厅、卧室等多种家居场景，模拟自由漫游虚拟相机的非结构化运动（如直线行走、旋转、俯仰等），并提供COCO格式的2D物体标注、深度图、语义分割图等多模态视觉信息。数据生成采用混合光源模拟真实光照并随机布置杂物，以增强视觉多样性，可直接用于视觉SLAM训练、机器人自主导航及场景理解与重建等任务。