用于室内场景理解与语义分割训练数据

该数据集同时拓展至城市道路与仓储物流两类动态场景，均以USD格式封装并附带时序帧序列。
城市道路场景包含十字路口、匝道汇入区及隧道出入口，涵盖轿车、巴士、行人、两轮车等动态交通参与者，并标注实例级运动轨迹与遮挡关系；
仓储物流场景模拟自动化立库、AGV巷道、分拣台及临时堆货区，货物以随机堆叠方式呈现，AGV与静态货架之间保持真实物理碰撞关联。
光照条件引入强逆光、雨雾天气及隧道灯光突变的弱光环境，以测试感知算法的鲁棒性。
同时针对两类场景分别添加动态干扰元素：道路场景中包含随风滚动的塑料袋、临时施工锥桶及飘移树叶；
仓储场景中随机出现运转中的传送带光栅、叉车卷起的粉尘粒子及闪烁的指示灯。
该配置可用于端到端自动驾驶决策、多智能体协同避障、以及恶劣条件下的实例分割与运动预测等任务，与原有室内静态场景形成互补。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。该数据集主要由图片组成，包含同个视角下的多张图片，例如相机坐标系下的法向图，渲染图，语义图，albedo通道图。对不同的图进行处理，以符合客户需求。本算法旨在处理三维模型，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，用于机房和家居三维场景的渲染、机器人训练等应用。首先，算法接收任意初始三维模型（如机房设备或家居家具）作为输入，模型包含位置、尺寸、材质、顶点、法向、面片等信息，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，有效提取结构特征；随后，在模型实例重组阶段，对上述字段进行分割，并利用Qwen-VL-Max和GroundingDino算法对分割后的部件进行组合，形成独立的模型实例（如机柜中的服务器、家居中的桌椅等），同时获取标签字段，使每个实例能够基于原模型的结构和信息被识别并应用于具体场景搭建；最后，将拆分得到的实例模型及其材质信息转换为OpenUSD格式，并获取碰撞体设置信息和动画约束信息，使模型能够在机房或家居场景中实现动态交互（如门扇开合、设备抽拉）。通过以上流程，原本数据库中的模型被重组为新的实例模型，并可组装成完整的机房或家居三维场景，从而满足场景渲染、机器人训练（如在机房中巡检、在家居中操作物体）等多方面需求。

搜集汇总

背景与挑战

背景概述

该数据集覆盖机房与家居两类典型室内场景，以OpenUSD格式封装，包含法向图、渲染图、语义图等多视角图片数据。通过模型分割、实例重组和格式转换，生成可交互的实例模型，用于场景渲染及机器人训练等应用。