SpatialLM – 群核科技開源的空間理解多模態模型

SpatialLM 是群核科技推出的一款開源空間理解多模態模型，旨在為機器人和智能系統賦予類似于人類的空間認知能力。它能夠通過分析普通手機拍攝的視頻，重建詳細的 3D 場景布局，并標注房間結構、家具擺放、通道寬度等信息。

SpatialLM是什么

SpatialLM 是群核科技開源的一款空間理解多模態模型，它賦予機器和智能系統與人類相似的空間認知能力。該模型通過分析手機拍攝的視頻，能夠重建出詳盡的 3D 場景布局，標注房間結構、家具擺放和通道寬度等信息。該模型基于大語言模型的框架，結合點云重建與結構化表示技術，將視頻中的場景轉換為結構化的 3D 模型，為具身智能的訓練提供高效的基礎框架。

SpatialLM的主要功能

• 視頻轉化為 3D 場景：SpatialLM 能將普通手機拍攝的視頻轉換為詳細的 3D 場景布局。通過分析視頻的每一幀，重建出場景的三維結構，包括房間布局、家具位置和通道寬度等信息。
• 空間認知與推理能力：該模型打破了傳統大語言模型在物理世界幾何及空間關系理解上的局限，賦予機器具備類似人類的空間認知與解析能力。能夠對場景中的物體進行語義理解，并生成結構化的 3D 場景布局，標注物體的三維坐標、尺寸參數和類別信息。
• 低成本數據采集：SpatialLM 不需要使用復雜的傳感器或智能穿戴設備，普通手機或相機拍攝的視頻即可作為數據輸入。這大大降低了開發者的數據采集門檻，使更多企業和研究者能夠迅速開展相關研究。
• 具身智能訓練支持：SpatialLM 為具身智能領域提供了基礎的空間理解訓練框架。企業可以針對特定場景對模型進行微調，提升機器人在復雜環境中的導航、避障與任務執行能力。結合群核科技的空間智能訓練平臺 SpatialVerse，機器人可以在仿真環境中進行技能學習，形成認知到行動的完整閉環。
• 虛擬場景生成能力：SpatialLM 能將現實世界的數據轉換為虛擬環境中的豐富場景。通過其合成數據引擎，能夠生成億萬級的新場景，為虛擬現實、增強現實和游戲開發等領域提供強大的支持。

SpatialLM的技術原理

• 視頻處理與點云重建：SpatialLM 利用 MASt3R-SLAM 技術處理輸入的 RGB 視頻，將其拆分為幀，提取物體的空間細節點，計算深度和位置，生成高密度的 3D 點云模型。
• 點云編碼與特征提取：點云數據通過編碼器轉化為緊湊的特征向量，保留場景中物體的關鍵幾何和語義信息。
• 大語言模型生成場景代碼：借助大語言模型（LLM），將點云特征轉化為結構化的場景代碼，包含空間結構的坐標和尺寸，標注出物體的語義邊界框（如“沙發 – 長 1.8 米 – 距墻 0.5 米”）。
• 結構化 3D 布局生成：場景代碼進一步轉換為結構化的 3D 場景布局，明確標注出每個物體的三維坐標、尺寸參數和類別信息，可以通過可視化工具還原為可交互的 3D 場景。
• 物理規則的嵌入：SpatialLM 內置了物理常識（如“家具不能懸空”“通道寬度≥0.8 米”），確保生成的 3D 場景符合現實的物理規則。

SpatialLM的項目地址

• GitHub 倉庫：https://github.com/manycore-research/SpatialLM
• HuggingFace 模型庫：https://huggingface.co/manycore-research/SpatialLM-Llama-1B

SpatialLM的應用場景

• 具身智能訓練：SpatialLM 能幫助機器人在虛擬環境中進行障礙規避、物體抓取等任務的訓練。
• 自動導航：在機器人導航任務中，SpatialLM 能實時解析環境中的空間信息，幫助機器人避免障礙物并規劃最優路徑。
• 增強現實與虛擬現實：SpatialLM 能迅速將現實世界的場景轉化為虛擬環境中的豐富場景，支持增強現實和虛擬現實應用的開發。
• 建筑設計與規劃：SpatialLM 能分析建筑物的 3D 點云數據，識別墻體、門窗等結構信息，幫助建筑設計和規劃人員更高效地進行設計工作。
• 教育與培訓：教育工作者可以利用 SpatialLM 開發教育軟件，幫助學生學習 3D 建模和空間視覺能力。通過直觀的 3D 場景生成和解析，學生能更好地理解空間關系和幾何概念。