💡 站外导读:在具身智能与空间AI飞速发展的今天,机器人要在复杂真实世界中自主行动,关键瓶颈之一是缺乏大规模、高质量的3D环境理解数据。传统数据集往往场景单一、标注稀疏,难以满足智能体动态交互和自由运动的需求。群核科技此次推出的InteriorGS,正是瞄准这一核心痛点,构建了全球首个专为智能体自由运动设计的大规模3D高斯语义数据集,为机器人从“看见”到“看懂并行动”提供了关键基础设施。
InteriorGS是什么
InteriorGS 是群核科技推出的高质量的3D高斯语义数据集,包含1000个3D高斯语义场景,涵盖80多种室内环境,如家庭、便利店、婚宴厅和博物馆。数据集包含755个类别的554,000多个对象实例,每个对象都有3D框和语义标注,提供占用地图以支持导航和空间理解。InteriorGS 是全球首个适用于智能体自由运动的大规模3D数据集,采用3D高斯溅射技术重建场景,结合空间大模型赋予语义信息。为机器人和AI智能体的空间感知能力提升提供了丰富的训练素材,已在HuggingFace和Github公开,供全球开发者使用。

InteriorGS的主要功能
-
多样化场景:包含 1000 个 3D 场景,涵盖家庭、便利店、婚宴厅、博物馆等 80 多种室内环境。
-
高密度对象标注:每个场景包含 755 个类别的 554,000 多个对象实例,每个对象都标注了 3D 框和语义信息。
-
占用地图:每个场景提供占用地图(occupancy map),帮助智能体理解空间布局,支持路径规划和避障。
-
动态环境适配:数据集支持智能体在动态环境中自由运动,提升其适应性和灵活性。
-
高质量标注:结合 3D 高斯溅射技术重建场景,并赋予语义信息,为 AI 模型提供高质量的训练数据。
-
大规模数据集:作为全球首个适用于智能体自由运动的大规模 3D 数据集,为模型训练提供了丰富的素材。
InteriorGS的项目地址
- Github仓库:https://github.com/manycore-research/InteriorGS
- HuggingFace模型库:https://huggingface.co/datasets/spatialverse/InteriorGS
InteriorGS的应用场景
-
室内导航:机器人可以在家庭、办公室、商场等复杂室内环境中进行自主导航。InteriorGS 提供的高精度 3D 场景和占用地图能帮助机器人实时感知环境,规划最优路径,避开障碍物。
-
空间感知:数据集中的 3D 场景和占用地图有助于训练 AI 模型的空间感知能力,能更好地理解室内空间的布局和结构。
- 虚拟环境构建:InteriorGS 的 3D 场景可以用于构建虚拟现实(VR)和增强现实(AR)应用中的虚拟环境。
- 空间布局优化:建筑师和设计师可以用 InteriorGS 中的 3D 场景和占用地图来优化室内空间布局。
-
智能设备部署:InteriorGS 的数据可以帮助智能家居系统更好地理解室内环境,更合理地部署智能设备,例如智能摄像头、传感器和智能家电。
📝 站长洞察 (Editor’s Insight)
InteriorGS的发布,标志着3D数据集正式从“静态展示”迈入“动态交互”时代。其价值远不止数据量大,而在于三大突破:一是以3D高斯溅射技术重建场景,兼顾了视觉质量与计算效率,为实时感知奠定基础;二是“语义”与“空间”的深度融合,通过高密度对象实例与占用地图,让机器能像人一样理解物体关系与可通行区域;三是首次大规模支持智能体“自由运动”,这直接对齐了具身智能研发的核心需求——训练在复杂环境中持续决策、规划的智能体。结合开源策略,InteriorGS有望成为机器人感知、导航乃至通用空间大模型训练的“ImageNet级”基准,加速智能体从实验室走向真实物理世界。
InteriorGS 数据集适合训练什么能力?
主要适合训练机器人和AI智能体的室内导航、空间感知、路径规划与避障能力。它提供3D场景、对象级语义标注和占用地图,能帮助模型理解空间布局与可通行区域,支持复杂环境中的自由运动。
InteriorGS 和普通3D数据集有什么区别?
区别在于它不只是静态场景展示,而是面向智能体自由运动设计。数据集结合3D高斯溅射重建、语义标注和占用地图,强调动态交互与空间理解,更贴近具身智能和机器人实际应用需求。
InteriorGS 可以从哪里获取?
文章提到该数据集已在 GitHub 和 HuggingFace 公开,开发者可通过对应项目地址获取与使用。其开源策略有助于机器人感知、导航和空间大模型研究的复现与二次开发。
这类数据集最适合训练什么能力?
最适合空间理解、导航规划和场景语义映射,尤其是需要机器人在室内自由移动的任务。若要训练抓取和操作,还需要补充力反馈、接触状态和动作轨迹数据。
如何把高斯表示用于具身智能?
可先用它做高保真环境重建,再叠加语义标签和可通行区域信息,供策略学习和路径规划使用。实操中要关注坐标对齐、动态物体处理和仿真到现实的域差异。
