原创 王泽宇 2025-03-23 22:59 浙江
作者：王泽宇，Datawhale成员
前几天，“杭州六小龙”之一「群核科技」在GTC 2025大会开源了空间理解模型：SpatialLM。
SpatialLM 是一款专门为三维空间理解设计的大语言模型，通过三维点云数据，生成结构化的三维场景理解输出，包括墙壁、门、窗等建筑元素，以及带有语义类别的定向物体边界框。与传统需要专用设备进行数据采集的方法不同，SpatialLM能够处理来自多种来源的点云数据，如：单目视频序列、RGBD图像和LiDAR传感器等。
听起来很复杂，但简单地说，SpatialLM的本质就像是一台「空间翻译机」，通过视频理解物理世界的几何关系，再将其转化为机器能读懂的指令。
其工作原理如下：给定一个 RGB 视频，首先使用 MASt3R-SLAM 进行三维点云重建，然后利用 SpatialLM 将这些密集点云转化为结构化表示。点云编码器将点云信息编码为紧凑的特征表示，随后由大语言模型（LLM）生成描述场景的场景代码（scene codes），这些场景代码可以被进一步转换为三维结构布局。
SpatialLM 当前提供了 1B 和 0.5B 两种模型版本，相比于现在的 LLM 而言可以说是很小了。SpatialLM 采用多模态结构，有效地将非结构化的三维几何数据与结构化的三维表示相结合，提供高层次的语义理解。这一特性增强了其在具身机器人、自主导航等复杂三维场景分析任务中的空间推理能力。
ModelScope 模型地址：
1B：https://modelscope.cn/models/manycore-research/SpatialLM-Llama-1B
0.5B：https://modelscope.cn/models/manycore-research/SpatialLM-Qwen-0.5B
官方仓库：https://github.com/manycore-research/SpatialLM
这里以 PyTorch 2.5.1+Python 3.12(ubuntu22.04)+CUDA 12.4 的云平台环境为例。
如果是本地运行，推荐 Ubuntu22.04+CUDA 12.4 的环境，按照官方教程使用 conda 创建 python3.11 环境并安装相关依赖。
参照官方教程，首先使用 conda 安装依赖:
conda install -y nvidia/label/cuda-12.4.0::cuda-toolkit conda-forge::sparsehash使用 poetry 环境：
这里由于 SpatialLM 官方的运行要求是 Python3.12，但是现在主流的云平台提供的大多是 3.12、3.10 版本的Python，且预装好了 PyTorch，所以笔者在测试时对依赖文件pyproject.toml进行了修改。
[tool.poetry]
name = "spatiallm"
version = "0.0.1"
description = "SpatialLM: Large Language Model for Spatial Understanding"
authors = ["ManyCore Research Team"]
license = "Llama3.2"
readme = "README.md"
[tool.poetry.dependencies]
python = ">=3.10,<3.13"
transformers = ">=4.41.2,<=4.46.1"
safetensors = "^0.4.5"
pandas = "^2.2.3"
einops = "^0.8.1"
numpy = "^1.26"
scipy = "^1.15.2"
scikit-learn = "^1.6.1"
toml = "^0.10.2"
tokenizers = ">=0.19.0,<0.20.4"
huggingface_hub = ">=0.25.0"
rerun-sdk = ">=0.21.0"
shapely = "^2.0.7"
bbox = "^0.9.4"
terminaltables = "^3.1.10"
open3d = "^0.19.0"
nvidia-cudnn-cu12 = "*"
nvidia-nccl-cu12 = "*"
poethepoet = {extras = ["poetry-plugin"], version = "^0.33.1"}
addict = "^2.4.0"
[tool.poe.tasks]
install-torchsparse = "pip install git+https://github.com/mit-han-lab/torchsparse.git"
[build-system]
requires = ["poetry-core", "setuptools", "wheel", "torch"]
build-backend = "poetry.core.masonry.api"安装 poetry 依赖：
pip install poetry && poetry config virtualenvs.create false --local
poetry install编译安装 torchsparse，可能需要一些时间：
TorchSparse是一种基于PyTorch构建的高效稀疏张量处理库，专门用于加速三维稀疏卷积神经网络的训练和推理。
poe install-torchsparse下载官方数据集中的 ply 格式的 3D 点云数据进行测试。
点云数据（Point Cloud）是一种由大量空间点组成的数据集合，每个点记录了其在三维空间中的位置坐标，通常还包含颜色或反射强度信息，可用于精确描述三维物体或场景的空间结构。
如果想要使用自己录制的视频，可以参照MASt3R-SLAM进行三维重建。
huggingface-cli download manycore-research/SpatialLM-Testset pcd/scene0000_00.ply --repo-type dataset --local-dir .下载 SpatialLM-Llama-1B 模型，大约需要 2.6GB：
modelscope download manycore-research/SpatialLM-Llama-1B --local_dir ./manycore-research/SpatialLM-Llama-1Bpython inference.py --point_cloud ./pcd/scene0000_00.ply --output scene0000_00.txt --model_path ./manycore-research/SpatialLM-Llama-1B将生成的文件合并为用于表示 3D 的文件
python visualize.py --point_cloud ./pcd/scene0000_00.ply --layout scene0000_00.txt --save scene0000_00.rrd可视化：如果云平台无法显示，可以拷贝到本地运行，需要安装 rerun-sdk（pip install rerun-sdk）
rerun scene0000_00.rrd考虑到部分同学配置环境可能会遇到一些问题，我们在AutoDL平台准备了SpatialLM的环境镜像，点击下方链接并直接创建Autodl示例即可。
https://www.codewithgpu.com/i/datawhalechina/self-llm/SpatialLM
本教程已经在self-llm项目中更新，欢迎来Star🌟！
一起“点赞”三连↓
