Habitat-Matterport 3D 数据集 (HM3D) 技术文档
项目地址: https://gitcode.com/gh_mirrors/ha/habitat-matterport3d-dataset 安装指南
1. 克隆 HM3D GitHub 仓库并添加到 PYTHONPATH
git clone https://github.com/facebookresearch/habitat-matterport3d-dataset.git
cd habitat-matterport3d-dataset
export PYTHONPATH=$PYTHONPATH:$PWD
2. 创建并激活 Conda 环境
conda create -n hm3d python=3.8.3
conda activate hm3d
3. 使用 Conda 安装 habitat-sim
conda install habitat-sim headless -c conda-forge -c aihabitat
4. 安装 trimesh 及其软依赖
pip install "trimesh[easy]==3.9.1"
5. 安装剩余的依赖项
pip install -r requirements.txt
项目使用说明
下载数据集
在论文中，我们对比了 HM3D 与其他室内场景数据集（如 Gibson、MP3D、RoboThor、Replica 和 ScanNet）的性能。
-
根据 habitat-sim 的说明 下载每个数据集。对于 RoboThor，使用 assimp 将原始扫描资产转换为 GLB 格式。
assimp export <SOURCE SCAN FILE> <GLB FILE PATH> -
下载并处理数据集后，创建指向相应场景路径的环境变量。
export GIBSON_ROOT=<PATH TO GIBSON glbs> export MP3D_ROOT=<PATH TO MP3D glbs> export ROBOTHOR_ROOT=<PATH TO ROBOTHOR glbs> export HM3D_ROOT=<PATH TO HM3D glbs> export REPLICA_ROOT=<PATH TO REPLICA plys> export SCANNET_ROOT=<PATH TO SCANNET glbs>
运行实验
我们提供了代码来重现 论文 中的结果，这些代码位于不同的目录中：
scale_comparison：包含比较 HM3D 与其他数据集规模（论文中的表1）的代码。quality_comparison：包含比较 HM3D 与其他数据集重建完整性和视觉保真度（论文中的图4和表5）的代码。pointnav_comparison：包含在 HM3D 和其他数据集上训练和评估 PointNav 代理的配置和说明（论文中的表2和图7）。
每个目录中都提供了 README 文件，其中包含运行相应实验的说明。
项目 API 使用文档
HM3D 数据集与 FAIR 的 Habitat 模拟器 结合使用，可以训练具身代理（如家用机器人和 AI 助手）。API 文档可以在 Habitat 模拟器的官方文档中找到，具体使用方法请参考 Habitat 模拟器的 API 文档。
项目安装方式
HM3D 数据集的安装方式已经在“安装指南”部分详细说明。请按照上述步骤进行安装和配置。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
