开源项目Embodied Generalist LEO使用教程

1. 项目介绍

Embodied Generalist LEO是一个3D具身多模态通才代理，能够在3D世界中进行感知、接地、推理、规划和行动。该项目由ICML 2024正式发布，旨在构建一个能够在多种任务和领域中表现出色的通用代理。LEO通过两阶段的训练方案进行训练：(i) 3D视觉-语言（VL）对齐和(ii) 3D视觉-语言-动作（VLA）指令调优。

2. 项目快速启动

2.1 克隆项目仓库

首先，克隆Embodied Generalist LEO的GitHub仓库到本地：

git clone [e-mail]:embodied-generalist/embodied-generalist.git
cd embodied-generalist

2.2 创建并激活Conda环境

创建一个新的Conda环境并激活它：

conda create -n leo python=3.9
conda activate leo

2.3 安装依赖

安装PyTorch和其他依赖项：

conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch
pip install -r requirements.txt
pip install peft==0.5.0 --no-deps

2.4 安装第三方库

安装用于点云后端的第三方库：

cd model
cd pointnetpp
python setup.py install

2.5 运行项目

确保配置文件configs/default.yaml设置正确后，运行项目：

python run.py

3. 应用案例和最佳实践

3.1 3D视觉-语言对齐

LEO在3D视觉-语言对齐阶段，通过大量的数据集进行训练，包括Objaverse、ScanNet和3RScan等。这些数据集帮助LEO在3D环境中进行视觉和语言的对齐，从而更好地理解和推理3D场景。

3.2 3D视觉-语言-动作指令调优

在第二阶段，LEO通过3D视觉-语言-动作指令调优，进一步增强其在3D世界中的行动能力。这一阶段的数据集包括ScanNet、3RScan和MP3D等，涵盖了导航和操作等任务。

3.3 最佳实践

• 数据准备：确保所有数据集按照项目文档中的结构进行组织，以便训练和验证。
• 模型微调：根据具体任务需求，微调LEO的模型参数，以获得更好的性能。
• 实验记录：使用WandB等工具记录实验过程和结果，便于后续分析和优化。

4. 典型生态项目

4.1 SceneDiffuser

SceneDiffuser是一个与LEO相关的项目，专注于3D场景的扩散模型，能够生成高质量的3D场景数据，为LEO提供丰富的训练素材。

4.2 SQA3D

SQA3D是一个3D场景问答系统，与LEO结合使用，可以进行复杂的3D场景问答任务，提升LEO在3D环境中的交互能力。

4.3 ARNOLD

ARNOLD是一个机器人导航和操作项目，与LEO结合，可以实现更智能的机器人导航和操作任务，提升机器人在复杂环境中的适应能力。

通过以上模块的介绍和实践，您可以快速上手并深入了解Embodied Generalist LEO项目，并将其应用于各种3D场景中的任务和挑战。