本数据集专注于提升服务机器人在厨房和卫生间这两个高复杂度、高任务密度区域的精细化操作与安全导航能力。数据集覆盖厨房与卫生间两大典型功能区域。厨房场景包含橱柜、灶台、水槽、冰箱、烤箱等固定设施，以及锅碗瓢盆、刀叉、瓶装调料等大量小型、可移动物体，布局涵盖L型、U型等。卫生间场景包含马桶、洗手台、淋浴间/浴缸、镜柜等，并特别模拟了潮湿环境、镜面反光、地面水渍等挑战性视觉特征。所有场景均设计了不同的物体摆放状态（如橱柜开闭、水龙头开关），以高度还原真实家居环境中厨卫空间的复杂性与动态性。
本算法旨在处理三维模型，通过一系列步骤实现模型的分割、实例重组及格式转换，以生成新的实例模型，用于场景渲染和机器人训练等应用。 1.模型分割：本步骤接收任意初始三维模型作为输入，三维模型包括位置、尺寸、材质、顶点信息、法相信息、面片信息字段，运用拓扑连通性聚类算法将该组合模型拆分为多个面片组（face group），获取模型类型字段。此步骤有效提取模型的结构特征，有助于后续的实例重组。 2.模型实例重组：在此步骤中，对三维模型的位置、尺寸、材质、顶点信息、法相信息、面片信息字段进行分割，再利用Qwen-VL-Max和GroundingDino算法对分割后的部件进行组合，形成独立的模型实例，并获取其中的标签字段。标签字段能够使每个模型实例能够基于原模型的结构和信息进行识别和应用。 3.模型格式转换：本步骤将拆分获得的实例模型及其对应的材质信息转换为OpenUSD格式，并获取其中的碰撞体设置信息字段和动画约束信息字段，以使模型能够在场景中动起来。 通过以上步骤，将原本数据库中的模型进行重组，生成新的实例模型，并被组装成一个完整的场景，以满足场景渲染、机器人训练等多个应用需求。
| 字段名 | 类型 | 描述 |
|---|---|---|
SKU标识 |
-- | -- |
标签 |
-- | -- |
安全风险分类 |
-- | -- |
包围盒 |
-- | -- |
尺寸 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| SKU标识 | kitchen_chef_knife_01 |
| 标签 | “主厨刀” |
| 安全风险分类 | “锐器/刀具” |