matches

该数据集是机器人足球联赛（Robot Football League）的比赛档案，记录了模拟人形机器人进行的二对二足球比赛。所有数据均基于物理模拟（MuJoCo），包含真实关节和质量的运动轨迹，而非动画。数据集包含每场比赛的运动数据、事件标签和可观看的3D文件。具体内容包括： - `matches.jsonl`：每场比赛一行，包含队伍、比分、开球时间、持续时间以及指向其他文件的路径。 - `data/<id>/track.bin`：运动轨迹，格式为 `float32[nframes][nbodies][7]`，每个身体每个帧的位置（xyz）和四元数（wxyz）。 - `data/<id>/scene.json`：身体名称列表、采样率（`meta.hz`）、帧数、时间范围等场景信息。 - `data/<id>/hud.json`：事件标签，包括进球（时间戳、队伍、球员）和无线电聊天文本，以及比分变化记录。 - `glb/<id>.glb`：整个比赛动画的glTF文件，可拖入3D查看器播放。 数据规模：不到1000个样本。采样率统一为25Hz，每场比赛包含57个身体（4个机器人、球、角旗和世界）。球场范围：x ∈ [-7, +7] 米，y ∈ [-4.2, +4.2] 米。运动数据与事件标签共享同一时钟，经过验证，82%的进球事件在时间戳处球距球门线35厘米内，99%在时间戳前0.2秒内。该数据集适用于运动分析、事件检测、动作分割、字幕生成等任务。许可证为 CC BY 4.0。This dataset is an archive of Robot Football League matches, recording two-on-two football games played by simulated humanoid robots. All data are based on physical simulation (MuJoCo), containing motion trajectories with real joints and masses, not animations. The dataset includes motion data, event labels, and viewable 3D files for each match. Specific contents include: `matches.jsonl` (one line per match with team names, scores, kickoff time, duration, and paths to other files); `data/<id>/track.bin` (motion trajectory as `float32[nframes][nbodies][7]` with position (xyz) and quaternion (wxyz) per body per frame); `data/<id>/scene.json` (list of body names, sampling rate (`meta.hz`), number of frames, time range, etc.); `data/<id>/hud.json` (event labels including goals with timestamp, team, player, radio chat text, and score changes); `glb/<id>.glb` (glTF file of the full match animation, viewable in 3D viewers). Data size: less than 1000 samples. Sampling rate is 25Hz uniformly. Each match has 57 bodies (4 robots, ball, corner flags, and world). Field range: x ∈ [-7, +7] meters, y ∈ [-4.2, +4.2] meters. Motion data and event labels share the same clock. Verified: 82% of goal events have the ball within 35 cm of the goal line at the timestamp, and 99% within 0.2 seconds before the timestamp. The dataset is suitable for motion analysis, event detection, action segmentation, caption generation, etc. License: CC BY 4.0.

原始信息汇总

数据集概述

Robot Football League — matches 是一个由模拟人形机器人进行二对二足球比赛所产生的数据集，包含每场比赛的运动数据、事件标签以及可观看的 3D 文件。数据集以 CC BY 4.0 许可发布，由机器人足球联赛官方通过公开节目源镜像而来，仅包含已播出的比赛。

数据内容

数据集采用 JSON Lines 格式，核心文件为 matches.jsonl，每行对应一场比赛，记录球队、比分、开球时间、比赛时长以及相关文件的路径。每场比赛关联以下三类文件：

• 运动数据 (data/<id>/track.bin)：以 float32[nframes][nbodies][7] 格式存储每帧每个刚体的位置（xyz，米，Z-up）和四元数姿态（wxyz）
• 场景信息 (data/<id>/scene.json)：按运动数据顺序列出各刚体名称、采样率（meta.hz）、帧数和时间范围
• 事件标签 (data/<id>/hud.json)：包含进球事件（时间戳、球队、球员）、机器人无线电文本以及比分变化轨迹
• 3D 可视化文件 (glb/<id>.glb)：完整比赛以动画 glTF 格式呈现，可直接在任意 3D 查看器中播放

关键规格

• 采样率：25 Hz，帧间均匀无间隔
• 刚体数量：每场 57 个，包括 4 个机器人（每队 2 个）、足球、角旗和世界坐标系
• 比赛场地：x 方向 [-7, +7] m，y 方向 [-4.2, +4.2] m
• 球门线：x = ±7 m，进球事件时间戳对应的球位置可精确到厘米级
• 足球高度：大部分时间低于 0.5 m，属于地面比赛

时间同步与使用建议

运动数据与事件标签共享同一时钟。以进球事件为例，在进球事件自身时间戳下，球距球门线 35 cm 内的比例为 82%（前六场共 78 个进球中的 64 个）；而在事件时间戳前 0.2 秒采样时，该比例提升至 99%（77/78）。这是因为进球记录后约 200 ms 内足球会被送回中圈开球点，因此事件时间戳标记的是复位开始时刻。如需获取进球瞬间本身，建议在 t - 0.2 时刻采样。

文件体积说明

数据采用刚体运动轨迹而非逐帧网格转储，因此一场 10 分钟的比赛仅占用数十 MB 空间，且相机可在回放中任意移动。容器格式为 4DGSX（开放文档格式），同时提供标准 glTF 节点动画版本以便兼容常见查看器。

许可与使用

数据集以 CC BY 4.0 许可发布，允许使用、训练和二次创作，但需注明出处为 Robot Football League 并链接至 4dgsx.com。数据集中不包含采集时间戳，且仅收录已经播出的比赛场次。

搜集汇总

数据集介绍

构建方式

该数据集源自机器人足球联赛（Robot Football League）的G1级别赛事档案，赛事由模拟人形机器人以二对二形式进行，物理引擎驱动而非动画渲染。数据采集紧随每场比赛的公开播出，经由公开节目源镜像获取，仅收录已播出的赛事。每场比赛生成运动轨迹文件、场景描述、事件标签及可观看的3D模型文件，分别存储为track.bin、scene.json、hud.json与glb格式。运动数据以float32数组记录每帧各刚体的位置与四元数，事件标签与运动共享同一时间基准，确保时空对齐。

特点

数据集涵盖真实关节与质量的模拟人形机器人足球比赛，包含运动轨迹、事件标注及三维可视化文件。运动数据以25Hz统一采样，每场包含57个刚体，涵盖四台机器人、足球、角旗及世界环境。事件标签提供进球时间、队伍、球员及机器人语音文本，与运动数据精确对应。数据集规模小于1K，文件紧凑，便于存储与传输。场地尺寸、球高及进球位置等物理参数均经测量验证，确保数据一致性。

使用方法

用户可通过HuggingFace Hub下载matches.jsonl获取赛事元数据，进而加载各场次的运动轨迹与场景文件。利用Python代码解析track.bin中的float32数组，结合scene.json中的刚体名称与采样率，重构每帧位置与四元数。事件标签可用于 spotting、字幕生成或分割任务。数据集支持在任意3D查看器中打开glb文件进行回放，亦可依据事件时间戳索引运动数据以验证对齐。使用时请注意，进球事件时间戳需提前0.2秒采样以捕捉实际进球瞬间。

背景与挑战

背景概述

机器人足球联赛（Robot Football League）的G1组别赛事数据集诞生于仿真人形机器人竞技与运动分析的交汇点，由该联赛及其技术团队于2024年前后构建并持续更新。其核心研究问题在于如何以物理真实而非动画脚本的方式，捕捉并公开二对二人形机器人足球赛的完整运动轨迹、事件标签与三维可回放文件，从而为机器人运动控制、多智能体协作及体育视频理解提供基础数据。该数据集以CC BY 4.0许可发布，采用MuJoCo仿真产生的刚体运动轨道，每场比赛均附带逐帧位置与四元数、进球与广播事件标注以及可交互的glTF动画，对仿真机器人学习、运动分割与事件检测等领域具有显著的推动与基准价值。

当前挑战

该数据集所直面的领域问题在于仿真人形机器人足球中的运动理解与事件对齐——如何在缺乏真实传感器噪声与裁判干预的条件下，从连续刚体轨迹中可靠地识别进球、分割比赛阶段并重建可解释的体育叙事。构建过程中的挑战同样突出：运动轨道与事件标签虽共享同一时钟，但进球事件的时间戳与球实际越过门线的瞬间存在约200毫秒的系统性偏移，需通过轨迹回溯加以校正；比赛仅收录已播出的G1组别赛事，且因Microduck组别三维资产采用非商业许可而无法纳入，限制了数据多样性；此外，每场比赛57个刚体、25赫兹均匀采样的高维状态空间，对存储、索引与下游建模均提出了精度与效率的双重要求。

常用场景

经典使用场景

在机器人学与体育分析交叉领域，该数据集最经典的使用场景在于对仿真人形机器人足球比赛进行多模态解析与运动重建。研究者可以读取track.bin中的刚体运动轨迹，结合hud.json中的事件标注，实现进球时刻的精准定位、球员运动模式识别以及比赛态势的时序分割。例如，通过索引进球事件的时间戳并回溯0.2秒，能够准确还原射门瞬间的球体位置与机器人姿态，从而支撑起动作识别、事件检测与运动合成等典型任务。

解决学术问题

该数据集有效回应了机器人学习领域长期存在的几个关键问题：一是仿真环境下人形机器人动态运动的高保真记录与可复现性，二是多智能体协作与对抗行为的时序标注难题，三是运动与语义标签的时钟对齐验证。通过提供统一的25Hz采样率、57个刚体及事件标注，它让研究者能够定量评估运动-标签一致性，并推动了从纯视觉感知向物理仿真验证的范式转变。其开放许可与完整元数据为可重复研究奠定了基石。

衍生相关工作

围绕该数据集，已衍生出多项经典工作：基于其运动轨迹开展的人形机器人步态分析与平衡控制研究；利用事件标注进行比赛摘要与自动评论生成的文本-运动跨模态模型；以及针对4DGSX格式的解析、可视化与转换工具链。此外，社区还开发了从glTF动画中提取关节力矩与能耗指标的扩展方法，并催生了多个机器人足球战术模拟环境与强化学习基准，显著推动了仿真体育与机器人学习的融合创新。