GLEAM-Bench

GLEAM-Bench是第一个为通用主动映射设计的大规模基准测试，包含来自合成和真实扫描数据集的1,152个多样化的3D场景。这些场景具有近水密的几何形状、多样化的平面图（≥10种类型）和复杂的互连性。数据集通过过滤、几何修复和任务导向的预处理进行了统一。

GLEAM-Bench is the first large-scale benchmark designed for general active mapping. It comprises 1,152 diverse 3D scenes sourced from both synthetic and real-world scanned datasets, which feature near-watertight geometry, diverse floor plans (≥10 types) and complex interconnectivity. The benchmark has been standardized via filtering, geometry repair and task-oriented preprocessing.

原始信息汇总

GLEAM数据集概述

数据集基本信息

• 名称: GLEAM-Bench
• 用途: 用于通用主动映射策略的基准测试
• 场景数量: 1,152个多样化的3D场景
• 场景来源: 合成和真实扫描数据集
• 场景特征:
  • 近水密几何
  • 多样化平面图（≥10种类型）
  • 复杂的互联性

数据集内容

• 预处理数据:

  • 网格文件（obj文件夹）
  • 地面真实表面点（gt文件夹）
  • 资产索引文件（urdf文件夹）

• 目录结构:

  GLEAM ├── active_reconstruction ├── data_gleam │ ├── train_stage1_512 │ │ ├── gt │ │ ├── obj │ │ ├── urdf │ ├── train_stage2_512 │ │ ├── gt │ │ ├── obj │ │ ├── urdf │ ├── eval_128 │ │ ├── gt │ │ ├── obj │ │ ├── urdf ├── ...

数据集获取

• 访问方式: 填写表单获取下载链接
• 表单地址: https://docs.google.com/forms/d/e/1FAIpQLSdq9aX1dwoyBb31nm8L_Mx5FeaVsr5AY538UiwKqg8LPKX9vg/viewform?usp=sharing

相关研究

• GLEAM方法:
  • 统一的通用探索策略
  • 在128个未见复杂场景中达到66.50%覆盖率（+9.49%）
  • 具有高效轨迹和改进的映射精度

引用信息

bibtex @inproceedings{chen2025gleam, title={GLEAM: Learning Generalizable Exploration Policy for Active Mapping in Complex 3D Indoor Scenes}, author={Chen, Xiao and Wang, Tai and Li, Quanyi and Huang, Tao and Pang, Jiangmiao and Xue, Tianfan}, year={2025} }

许可证

• 类型: 知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议
• 许可证地址: http://creativecommons.org/licenses/by-nc-sa/4.0/

搜集汇总

数据集介绍

构建方式

GLEAM-Bench数据集的构建过程体现了对复杂三维室内场景的深度理解与系统性整合。研究团队从合成数据集和真实扫描数据中精选了1,152个多样化场景，通过几何修复、多源数据统一化等预处理流程，确保了场景网格的近水密性几何特征。每个场景均经过严格的筛选标准，包括多样化的平面布局（≥10种类型）和复杂的空间连通性，最终形成包含网格文件、地面真实表面点和资产索引文件的标准化数据结构。

特点

该数据集最显著的特征在于其前所未有的规模与多样性，覆盖了128个未见过的复杂测试场景。场景数据具有近乎完美的几何完整性，包含obj格式的网格文件、精确的gt表面点云以及标准化的urdf索引文件。特别值得注意的是，数据集突破了传统主动建图方法在训练数据不足和探索策略保守方面的局限，为评估算法的泛化能力提供了可靠基准。数据统计可视化图表直观展示了场景类型和复杂度的分布特征。

使用方法

使用该数据集需遵循严格的配置流程，包括创建Python 3.8环境、安装指定版本的PyTorch和CUDA工具包。研究人员可通过提供的训练脚本进行模型开发，其中包含512个训练场景和128个测试场景的标准划分。评估阶段采用专用脚本对模型在未见场景上的泛化性能进行量化分析，关键指标包括66.50%的覆盖率和轨迹效率。数据集目录采用层次化结构设计，便于扩展新的训练环境和任务配置。

背景与挑战

背景概述

GLEAM-Bench是由香港中文大学和上海人工智能实验室联合推出的首个面向复杂三维室内场景通用主动建图任务的大规模基准数据集。该数据集于2024年提出，核心研究团队包括Xiao Chen、Tai Wang等学者，旨在解决移动机器人在未知环境中主动探索与建图的泛化性问题。数据集整合了来自合成与真实扫描的1,152个多样化三维场景，具有近水密几何结构、丰富平面布局和复杂连通性等特征，为训练和评估通用探索策略提供了标准化平台。其创新性体现在语义表征、长期导航目标和随机化策略等方面，在128个未见场景测试中实现了66.5%的覆盖率和9.49%的性能提升，显著推动了 embodied AI 和机器人自主导航领域的发展。

当前挑战

在领域问题层面，GLEAM-Bench致力于解决三维主动建图中场景布局多样性与连通复杂性带来的泛化性挑战。传统方法受限于训练数据不足和探索策略保守，难以适应不同结构的室内环境。数据集构建过程中面临三大技术难点：多源数据标准化需完成几何修复与任务导向的预处理，确保1,152个场景在拓扑结构和语义标注上的一致性；大规模场景的实时仿真对计算架构提出极高要求，需平衡物理精度与运算效率；探索策略评估体系设计需综合考虑覆盖率、轨迹效率和建图精度等多维度指标，建立可靠的基准测试协议。这些挑战的突破为后续研究提供了重要技术参照。

常用场景

经典使用场景

GLEAM-Bench数据集在机器人主动建图领域具有广泛的应用价值，尤其在复杂3D室内场景的探索与建图任务中表现突出。该数据集通过整合来自合成和真实扫描的1,152个多样化3D场景，为研究人员提供了一个标准化的测试平台，用于评估和优化主动建图策略。其经典使用场景包括机器人自主探索未知环境、实时建图以及路径规划等任务。

实际应用

在实际应用中，GLEAM-Bench数据集被广泛用于室内机器人的导航与建图任务，例如家庭服务机器人、仓储物流机器人以及灾害救援机器人等。其多样化的场景数据能够模拟真实世界中的复杂环境，帮助机器人在未知场景中快速构建精确的地图。此外，该数据集还为虚拟现实（VR）和增强现实（AR）应用中的场景重建提供了重要支持。

衍生相关工作

GLEAM-Bench数据集衍生了一系列经典研究工作，例如基于语义表示的探索策略、长时导航目标规划以及随机化策略优化等。相关研究不仅提升了主动建图的效率与精度，还推动了机器人感知与决策技术的进步。部分衍生工作已在CVPR等顶级会议上发表，进一步验证了该数据集在学术研究中的影响力。