ADEPT Dataset

ADEPT数据集用于模拟直觉物理中的期望违反，使用粗糙的概率对象表示。The ADEPT dataset is designed to simulate expectation violations in intuitive physics, utilizing coarse probabilistic object representations.

原始信息汇总

ADEPT数据集概述

数据集描述

• 名称: ADEPT (Approximate Derenderer, Extended Physics, and Tracking)
• 研究领域: 直观物理学中的期望违反建模
• 作者: Kevin Smith, Lingjie Mei, Shunyu Yao, Jiajun Wu, Elizabeth S. Spelke, Joshua B. Tenenbaum, Tomer Ullman
• 发表: NeurIPS 2019, CogSci 2020

数据集生成

环境准备

1. 克隆数据集仓库并创建conda环境。 bash git clone https://github.com/JerryLingjieMei/ADEPT-Dataset-Release cd ADEPT-Dataset-Release conda create -n adept-dataset python=3.10 conda activate adept-dataset

2. 运行安装脚本，安装Blender 3.1.2及相关Python包。 bash bash install.sh

数据集配置

• 配置ffmpeg路径。
• 可选：设置多机器运行环境。

ShapeNet对象渲染

• 下载ShapeNet Core V2并配置路径。
• 运行脚本将ShapeNet对象转换为.blend文件。 bash ./blender/blender --background --python render/data/builder/collect_blend.py

数据集生成

1. 生成训练集（例如1000个视频）。 bash ./blender/blender --background --python dataset/generate_train.py --end 1000

2. 生成人类测试集。 bash ./blender/blender --background --python dataset/human/generate_human.py

数据集评估

评估方法

• 使用Python脚本收集人类测试集的结果，计算相对准确度。 bash python3 dataset/human/collect_results.py --summary_folder ${SUMMARY_FOLDER}

• 可选：自定义输出文件夹。

以上概述了ADEPT数据集的生成和评估流程，包括环境设置、数据集配置、对象渲染、数据集生成及评估方法。

搜集汇总

数据集介绍

构建方式

ADEPT数据集的构建过程采用了基于Blender的三维渲染技术，结合ShapeNet Core V2中的物体模型进行场景生成。通过编写Python脚本，研究人员能够自动化地生成训练集和人类测试集。具体步骤包括配置Blender环境、下载ShapeNet模型、并将其转换为Blender可用的格式。生成训练集时，脚本通过指定视频数量进行批量渲染，而人类测试集的生成则进一步模拟了真实物理场景，以评估模型的物理推理能力。

特点

ADEPT数据集以其对物理场景的精细建模和多样化物体交互为显著特点。数据集中的视频场景涵盖了丰富的物理现象，如碰撞、滚动和滑动等，旨在模拟人类对物理世界的直观理解。此外，数据集还包含了ShapeNet中的多种物体模型，确保了场景的多样性和复杂性。通过引入人类测试集，ADEPT进一步验证了模型在真实物理场景中的表现，为研究物理推理提供了高质量的数据支持。

使用方法

使用ADEPT数据集时，研究人员首先需要克隆GitHub仓库并配置相应的Python环境。通过运行提供的脚本，可以生成训练集和人类测试集。训练集用于模型的训练和优化，而人类测试集则用于评估模型在物理推理任务中的表现。评估过程中，研究人员可以通过运行特定的Python脚本，从实验输出文件夹中提取结果，并计算相对准确率。此外，数据集还支持多设备并行处理，以提高生成和评估的效率。

背景与挑战

背景概述

ADEPT数据集由麻省理工学院的研究团队于2019年发布，旨在探索人类在直觉物理中的期望违反行为。该数据集的核心研究问题是通过粗粒度的概率对象表示来建模物理场景中的期望违反现象。主要研究人员包括Kevin Smith、Lingjie Mei等，相关研究成果发表在NeurIPS 2019和CogSci 2020等顶级学术会议上。ADEPT数据集通过结合近似渲染器、扩展物理引擎和跟踪技术，生成了大量模拟物理场景的视频数据，为研究人类认知与物理推理提供了重要支持。该数据集在认知科学、人工智能和计算机视觉等领域具有广泛的应用前景，推动了物理场景理解与推理模型的发展。

当前挑战

ADEPT数据集在解决直觉物理建模问题时面临多重挑战。首先，如何准确捕捉人类在物理场景中的期望违反行为是一个复杂的认知问题，需要精细的物理模拟与认知模型相结合。其次，数据集的构建过程涉及大规模物理场景的生成与渲染，计算资源与时间成本较高，尤其是在多设备并行处理时，任务分配与同步问题增加了复杂性。此外，数据集依赖于ShapeNet等外部资源，数据预处理与格式转换的步骤繁琐，进一步增加了构建难度。这些挑战不仅体现在数据生成的技术层面，也反映了在认知建模与物理模拟交叉领域的研究深度与广度。

常用场景

经典使用场景

ADEPT数据集在认知科学和人工智能领域中被广泛用于研究人类对物理世界的直觉理解。通过模拟物体在物理环境中的运动，该数据集为研究者提供了一个丰富的实验平台，用于探索人类如何预测和解释物理事件。特别是在研究期望违背现象时，ADEPT数据集通过生成复杂的物理场景，帮助研究者深入分析人类认知机制。

解决学术问题

ADEPT数据集解决了认知科学中关于人类物理直觉建模的核心问题。通过提供精确的物理场景模拟，研究者能够量化人类对物理事件的预测能力，并揭示其背后的认知机制。该数据集为理解人类如何通过有限的信息进行物理推理提供了重要数据支持，推动了认知模型的发展，并为人工智能系统在物理推理方面的改进提供了理论基础。

衍生相关工作

ADEPT数据集衍生了一系列经典研究工作，特别是在物理推理和认知建模领域。基于该数据集，研究者提出了多种改进的物理推理模型，如基于概率的物体表示方法和扩展的物理模拟框架。这些工作不仅推动了认知科学的发展，还为人工智能系统在复杂环境中的物理推理能力提供了新的研究方向。