Files

T

gaojie bec8a9a4a3 chore: initial commit — import worldmodel workspace (plans/, research/)

2026-05-20 21:43:57 +08:00

9.7 KiB

Raw Blame History

ZED 2i 数据 Pipeline 迭代框架（面向 World Model 训练）

上层执行框架，承接 zed2i_stereo_imu_solution.md 的硬件/SDK 细节，向下细化为可独立执行的 todo 项。设计哲学：时间维度多次迭代（M1→M4 螺旋上升）× 空间维度从粗到细（场景→房间→物体→像素）。

0. 框架总览

0.1 两个正交维度

维度	取值	含义
时间（里程碑）	M1 → M2 → M3 → M4	一次性原型 → 单场景达标 → 批量化迭代 → 评测发布
空间（粒度）	L1 场景 / L2 房间 / L3 物体 / L4 像素	全局拓扑 → 房间布局 → 家具个体 → 深度/纹理质量

每个里程碑都在四个空间层级各完成一次切片，形成 4 × 4 = 16 个交叉单元格。下游 world model 训练所需的"多尺度时空数据"由此自然涌现。

0.2 框架矩阵

空间\时间	M1 环境搂环	M2 单场景达标	M3 批量化迭代	M4 评测与发布
L1 场景	跑通 30s 走廊录制	单客房 Spatial Mapping 闭合	≥10 房型 SOP 化采集	场景级 benchmark split
L2 房间	房间数据目录契约	分区域稠密扫描覆盖率达标	自动质控 + 重采触发	房间布局/affordance 标注
L3 物体	物体级 schema 占位	近距离环拍 ±2cm	神经深度后处理消融	物体语义层（家具类别）
L4 像素	深度/位姿格式定义	置信度 mask + 失效分析	VIO/深度算法对比	像素级误差指标定版

0.3 主线流程（Mermaid）

flowchart LR
    M1[M1 环境搂环<br/>格式契约] --> M2[M2 单场景达标<br/>一间客房闭环]
    M2 --> M3[M3 批量化迭代<br/>多场景 + 算法消融]
    M3 --> M4[M4 评测发布<br/>World Model 接口]
    M4 -.反馈.-> M2
    M4 -.反馈.-> M3

    subgraph 每个里程碑内部
        L1[L1 场景级] --> L2[L2 房间级]
        L2 --> L3[L3 物体级]
        L3 --> L4[L4 像素级]
    end

1. M1：环境搂环与数据格式契约

目标：把"一段 30 秒走廊 SVO"完整跑通从录制到落盘到读取的全链路，建立后续所有工作的数据契约与评测脚手架。 出口判据：任一新人按文档可在 1 小时内复现"录制→解析→评测桩输出"全流程。

1.1 任务分解

ID	空间层	任务	关键产出
M1-1	L1	ZED SDK + CUDA + pyzed + ROS 2 安装；`ZED_Explorer` 与 `basic_capture.py` 烟囱测试	`env_setup.md` + 一段 30s SVO
M1-2	L2	数据格式契约：目录树、命名、时间戳对齐、JSON/YAML schema	`data_contract.md`（待建）
M1-3	L3/L4	相机内参导出、IMU-Camera 外参、世界坐标系约定（Z-up）、与 world model 坐标系映射	`calibration.yaml`
M1-4	L4	评测脚手架（指标桩：ATE/RPE/深度误差/覆盖率/重投影）	`eval/` 目录骨架

1.2 推荐目录契约（落到 M1-2）

dataset_root/
├── sessions/
│   └── {hotel_id}/{room_id}/{session_ts}/
│       ├── raw.svo2                    # ZED 原生录制
│       ├── images/{left,right}/000000.png
│       ├── depth/000000.npz            # float32 + confidence
│       ├── imu.parquet                 # 400Hz, 时间戳对齐
│       ├── poses.tum                   # TUM 格式轨迹
│       ├── pointcloud.ply              # 融合点云
│       ├── mesh.obj                    # Spatial Mapping 网格
│       ├── area_memory.area            # ZED 区域记忆
│       └── meta.yaml                   # 设备、参数、环境、操作员
├── calibration/{device_serial}.yaml
└── eval/                               # M1-4 脚手架
    ├── metrics/
    └── reports/

2. M2：单场景达标（一间客房闭环）

目标：把一间客房做到"world model 训练可直接使用"的质量，所有指标都有量化判据。空间上完成 L1→L4 一次完整下沉。 出口判据：单房间数据包通过 M1-4 评测脚本所有阈值。

2.1 任务分解

ID	空间层	任务	量化判据
M2-1	L1 场景	一次性环绕扫描，输出 Spatial Mapping 网格 + 轨迹	环回误差 < 5cm，覆盖率 > 85%
M2-2	L2 房间	分区域慢扫（床区/卫浴/桌面/角落）	每区域深度覆盖 ≥ 90%，空洞率 ≤ 5%
M2-3	L3 物体	家具/电器/装饰物 0.5–1m 环拍（ULTRA 模式）	几何精度 ±2cm（用卷尺锚点验证）
M2-4	L4 像素	反光/透明/弱纹理失效分析；置信度过滤 mask	失效区 mask 召回 > 90%
M2-5	综合	单场景出口验收	通过 M1-4 全部阈值

2.2 空间下沉示意

flowchart TB
    A[L1 场景级 一次性环绕] --> B[L2 房间级 分区慢扫]
    B --> C[L3 物体级 近距环拍]
    C --> D[L4 像素级 失效mask]
    D --> E[出口验收包]
    E -.指标不达标.-> A

2.3 采集动作规范（落到 SOP）

L1 走位：门口起步，沿墙顺时针一圈，1m/s，相机略下倾 15°
L2 走位：每个功能区慢扫 30s，0.3 m/s，多视角往返
L3 走位：物体距离 0.5–1m，环拍 ≥ 270°，含俯视
L4 标注：人工标记反光/透明区域作为失效 GT

3. M3：批量化迭代（多场景 + 算法消融）

目标：把 M2 的单房成功复制到 ≥10 个房型，同时通过算法消融把整体质量再推高一档。 出口判据：10+ 房型数据全部通过质控；至少一项算法迭代带来可量化提升（如深度 RMSE ↓ 20%）。

3.1 任务分解

ID	空间层	任务	关键消融变量
M3-1	L1	多房型批量采集 SOP（走位/时长/光照）	房型 × 光照 × 操作员
M3-2	L2	数据质控自动化（PASS/FAIL 报告 + 自动重采）	阈值参数
M3-3	L4	位姿算法对比：ZED VIO vs ORB-SLAM3 vs VINS-Fusion；IMU 融合开关	算法 × IMU on/off
M3-4	L4	深度算法对比：ZED ULTRA vs FoundationStereo/UniDepth 后处理	神经后处理 on/off
M3-5	L1/L2	多会话融合：`.area` 拼接、TSDF/Nerfacto/3DGS 后端选型	后端 × 输入子集
M3-6	综合	数据湖目录、按房间/时间/质量打标、子集导出工具	—

3.2 算法消融流（Mermaid）

flowchart LR
    DATA[M2 单场景数据] --> SPLIT[10 房型采集池]
    SPLIT --> VIO{位姿后端}
    SPLIT --> DEP{深度后端}
    VIO --> EVAL1[ATE/RPE]
    DEP --> EVAL2[深度 RMSE/覆盖]
    EVAL1 --> PICK[最优配置]
    EVAL2 --> PICK
    PICK --> FUSE[M3-5 融合建图]

4. M4：评测基准与 World Model 接口

目标：把数据资产对外可用——定版评测基准、对齐主流 world model 训练框架、跑通基线模型回灌验证。 出口判据：用本数据训练的小规模 world model 收敛并复现公开任务指标。

4.1 任务分解

ID	空间层	任务	关键产出
M4-1	L1–L4	评测基准定版：轨迹/深度/几何/时序/NVS 指标 + benchmark split	`benchmark/`
M4-2	综合	World Model 数据接口：webdataset / HDF5 / LeRobot 格式	导出脚本 + sample schema
M4-3	L2/L3/L4	任务化标注层：家具类别、可交互性、affordance	多层级监督标签
M4-4	综合	基线回灌：训练 video prediction 或 NeRF 小模型	复现报告
M4-5	综合	数据卡（Datasheet for Datasets）+ 复现指南 + license	发布包

4.2 World Model 接口示意

flowchart LR
    RAW[原始 SVO/RGB-D/IMU/Pose] --> EXPORT[M4-2 导出器]
    EXPORT --> WDS[webdataset]
    EXPORT --> H5[HDF5]
    EXPORT --> LEROBOT[LeRobot]
    WDS --> TRAIN[video prediction]
    H5 --> NERF[NeRF/3DGS]
    LEROBOT --> POLICY[robot policy]
    TRAIN & NERF & POLICY --> METRIC[M4-1 评测基准]

5. 跨里程碑的"螺旋反馈"

框架不是单向瀑布，而是螺旋：

M4 评测发现的弱点 → 反馈到 M3 算法消融
M3 算法消融的最优配置 → 反向更新 M2 的采集 SOP
M2 的失败案例 → 暴露 M1 数据契约的缺陷 → 修订 schema

flowchart LR
    M1 --> M2 --> M3 --> M4
    M4 -- 弱点 --> M3
    M3 -- 最优配置 --> M2
    M2 -- 失败案例 --> M1

6. 风险与缓解

风险	触发里程碑	缓解策略
反光/玻璃区域深度大面积失效	M2-4	偏振滤镜 + 神经深度后处理（M3-4）
IMU 温度漂移导致长序列轨迹偏移	M2-1 / M3-3	预热 5 分钟 + 多会话 `.area` 重定位
数据量爆炸（10 房型 × N 会话）	M3-6	早期建立数据湖 + 质量打标 + 子集导出
World Model 框架接口频繁变动	M4-2	中间层 schema 隔离，导出器适配多目标格式
标注成本高	M4-3	先半自动（ZED OD + SAM2）再人工修正

7. 与既有文档的关系

底层硬件/SDK：zed2i_stereo_imu_solution.md
横向方案对比：camera_solutions_comprehensive.md
开源工具链：github_opensource_projects.md
场景上层规划：../hotel_scene_implementation_plan.md
iPhone 对照方案：../iphone/README.md / ../iphone/iphone_simplified_plan.md / ../iphone/roomplan_accuracy_and_cad_export.md

版本：v0.1（框架草案） 维护者：项目规划团队

9.7 KiB Raw Blame History Unescape Escape