# Soccer_Cube

**Repository Path**: fitz_gitee/Soccer_Cube

## Basic Information

- **Project Name**: Soccer_Cube
- **Description**: 本项目聚焦**具身智能中的 3D 视觉感知任务**，通过纯几何方法，实现从虚拟场景生成→点云预处理→语义分割→目标提取的全流程自动化，最终输出带语义标签的立方体、足球点云文件，为具身智能的3D场景理解与目标识别任务提供基础数据。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-10-01
- **Last Updated**: 2025-10-01

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 3D 点云语义分割与目标重构（立方体 + 足球）
## 项目简介
本项目聚焦**具身智能中的 3D 视觉感知任务**，通过**纯几何方法**（无深度学习依赖），实现从虚拟场景生成→点云预处理→语义分割→目标提取的全流程自动化，最终输出带语义标签的立方体、足球点云文件，为具身智能的3D场景理解与目标识别任务提供基础数据。
## 技术栈
- **虚拟场景生成**:**Pybullet**（物理3D仿真、RGB-D渲染）
- **点云处理与语义分割**:**Open3d**（RGB-D转点云、统计滤波、点云下采样、平面分割、DBSCAN聚类）
- **数值计算与图像处理**：**Numpy**、**OpenCV**（格式转换）
- **环境管理**：**conda**（Python3.10）

## 实现流程
1. **虚拟场景与RGB-D生成:**  
    用 **PyBullet** 搭建包含 “桌字、蓝色立方体、绿色足球” 的场景，通过虚拟相机渲染640×480的 RGB 图和深度图。
2. **RGBD→原始点云:**
通过**Open3D**的**PinholeCameraIntrinsic**与**RGBDImage**,将RGB-D转化为3D点云，并修正点云方向。
3. **点云预处理**    
**统计滤波**去除孤立噪声点 + 体素下采样减少点数，平衡精度与计算效率。
4. **几何语义分割**  
- **平面分割**:桌面提取以及法向量点积验证，排除桌脚等干扰；“桌面”（标签0）。
- **DBSCAN聚类**：基于空间距离区分“立方体”（标签1）和“足球”（标签2）。（优化eps和min_points适配小物体）
5. **目标提取与语义标签保存:**
筛选出立方体、足球的点云，通过颜色通道编码语义标签（立方体→蓝色通道，足球→绿色通道），保存为带标签的 PLY 文件。

## 成果展示
### 1. RGB-D
![RGB](./data/cube_soccer_rgb.jpg)
![Depth](./data/cube_soccer_depth.png)
### 2. 虚拟场景与点云（原始、预处理）
![原始点云](./docs/原始点云.png)
![预处理后点云](./docs/预处理后点云.png)
### 3. 语义分割结果
![语义分割结果](./docs/语义分割结果.png)
### 4. 最终提取的目标点云
![提取结果](./docs/提取结果.png)



## 输出文件说明

运行后会生成如下文件：
- **cube_final.ply**
- **preprocessed_cube_soccer.ply**
- **raw_cube_soccer.ply**
- **soccer_final.ply**
- **cube_soccer_rgb.jpg**
- **cube_soccer_depth.png**

## 快速运行指南
1. **环境准备:**
```bash
conda create -n embodied_3d python=3.10 -y
conda activate embodied_3d
pip install -r requirements.txt
```

2. **依赖列表（requirements.txt）**
可能需要看看自己的cuda版本适配open3d版本否，方便日后使用
```txt
open3d
numpy
opencv-python
pybullet
```

3. **执行程序:**
```bash
python src/Recreate_PointCloud_No_ML.py
```

4. **结果查看:**
用MeshLab打开PLY文件，可直观查看3D点云与语义标签

## 适用场景
- 具身智能体的3D 物体识别与重构（如机器人抓取前的感知）。
- 边缘设备的轻量级 3D 语义分割（无 GPU 时替代深度学习模型）。
- 虚拟仿真环境的3D 数据生成与标注（为深度学习任务提供 synthetic data）。