KungfuAthlete

该数据集源自运动员的日常武术训练视频，共包含197个视频片段。每个片段可能由多个合并的片段组成。经过自动时间分割后，得到1,726个子片段，确保大多数片段避免引入过多的运动不连续性。所有子片段均使用GVHMR进行运动捕捉，随后进行基于GMR的重新定向。经过过滤和后处理后，最终数据集包含848个运动样本，主要反映常规训练活动。

This dataset is derived from daily martial arts training videos of athletes, comprising a total of 197 video clips. Each clip may consist of multiple merged segments. After automatic temporal segmentation, 1,726 sub-clips are generated, ensuring that most of these sub-clips avoid excessive motion discontinuities. All sub-clips underwent motion capture using GVHMR, followed by GMR-based motion retargeting. After filtering and post-processing, the finalized dataset contains 848 motion samples that primarily reflect routine training activities.

原始信息汇总

KungFuAthlete 数据集概述

数据集来源与规模

• 来源：运动员日常武术训练视频。
• 原始视频：197个视频片段。
• 处理后子片段：1,726个（经过自动时间分割）。
• 最终运动样本：848个（经过过滤和后处理）。

类别分布

类别	数量	示例子类别
日常训练	715	–
拳法	53	长拳 (33), 太极拳 (14), 南拳 (6)
棍法	30	棍术 (30)
技巧	28	后空翻 (12), 莲花摆 (9)
刀法 / 剑法	15 / 7	南刀 (15), 太极剑 (7)

备注：

• 日常训练占主导地位（715个样本，约84%），主要代表标准练习套路。
• 拳法技术是最大的专项类别，其中长拳最为普遍。
• 基于技巧的动作集中在高难度杂技动作，如空翻和莲花摆。
• 基于武器的动作有限，且不包含武器部件或手部动作。

运动统计数据对比

所有指标在整个数据集中取平均值。

数据集	FPS	关节速度	身体线速度	身体角速度	平均帧数
LAFAN1	50.0	0.00142	0.00021	0.01147	10749.23
PHUMA	50.0	0.00120	0.00440	-0.00131	169.59
AMASS	30.0	0.00048	-0.00568	0.00903	370.65
KungFuAthlete (地面)	50.0	-0.00199	0.01057	0.04034	577.68
KungFuAthlete (跳跃)	50.0	0.02384	0.05297	0.18017	397.21

地面与跳跃子集划分

根据是否包含跳跃动作划分数据集：

• KungFuAthlete (地面)：包含非跳跃动作，强调连续的地面发力、快速的身体旋转、武器操控和步法转换。
• KungFuAthlete (跳跃)：包含高动态空中动作，如空翻、侧手翻和其他杂技跳跃。

关键观察：

• 跳跃子集在所有对比数据集中表现出最高的关节速度、身体线速度和角速度。
• 地面子集虽然排除了跳跃，但仍显示出比自然运动数据集（如LAFAN1、AMASS）显著更高的动态性。
• 与关注日常活动和行走动作的PHUMA和AMASS相比，KungFuAthlete表现出更强的非平稳性、更大的运动幅度和更具挑战性的瞬态动力学。

安全警告：跳跃子集旨在研究仿人运动的极限。在没有严格安全约束的情况下直接在真实机器人上训练或部署可能导致严重的硬件损坏。

数据处理流程

[视频] → GVHMR → [GVHMR预测] → GMR → [机器人运动] → 清理 → [KungFuAthlete]

数据格式

• GVHMR预测数据 (gvhmr_pred.pt)：包含SMPL参数（身体姿态、形状参数、全局方向、平移）。
• GMR机器人姿态数据 (robot_qpos.npz)：包含帧率（fps）和机器人关节位置（qpos），维度为(N, 36)。

数据集下载与结构

• 下载地址：https://drive.google.com/drive/folders/1ZntW9jPA-BXxttvCWlKQsSbmXt91fSsh?usp=sharing
• 提供内容：GVHMR预测数据和预清理的g1机器人qpos数据。
• 项目结构：
  • src/demo/gvhmr/：姿态数据（按地面/跳跃分类）。
  • src/demo/g1/：机器人qpos数据（按地面/跳跃分类）。
  • src/scripts/：数据处理和可视化脚本。
  • src/third_party/GMR/：运动重定向外部依赖。

使用说明

• 高度调整算法仅适用于重定向到跳跃类型数据的qpos数据，地面类型数据在重定向后不需要高度调整。
• 提供了可视化GVHMR数据、重定向到机器人运动、调整高度和可视化GMR数据的详细命令行示例。

支持的机器人

机器人	ID	自由度
Unitree G1	unitree_g1	29

视频来源与致谢

• 视频素材主要来源于谢远航（广西武术队运动员、国家级运动健将、中国武术六段）在其个人平台公开发布的系列武术训练与竞赛示范视频。
• 特别鸣谢谢远航先生授权将视频素材用于科研与学术目的。
• 个人主页：https://space.bilibili.com/1475395086

项目依赖与许可

• 基于以下优秀开源项目构建：
  • GVHMR：从视频中恢复3D人体网格。
  • GMR：通用运动重定向框架。
• 使用前请查阅相关第三方库的许可证。

引用

若在研究中使用本项目，请考虑引用（引用格式待定）。

搜集汇总

数据集介绍

构建方式

在武术动作捕捉与机器人运动生成领域，高质量数据集的构建是推动相关研究的关键。KungfuAthlete数据集源于专业武术运动员的日常训练视频，通过自动时间分割技术将原始视频剪辑为连贯的子片段，以规避剧烈运动间断。随后，采用GVHMR技术从视频中提取三维人体网格与运动参数，并利用GMR框架进行运动重定向与规范化处理，最终经过严格筛选与后处理，形成包含848个高质量运动样本的数据集，其流程体现了从原始视频到机器人可执行动作的完整技术链条。

特点

该数据集在运动动力学层面展现出显著特性，其样本根据是否包含腾空动作被划分为地面与跳跃两个子集。跳跃子集呈现出极高的关节速度、身体线速度与角速度，超越了多数自然运动数据集，凸显了武术动作的高动态与非平稳特性。即便在地面子集中，运动幅度与瞬态动力学挑战也显著高于日常活动数据集。数据覆盖了拳法、器械及高难度技巧等多种武术类别，其中日常训练样本占据主体，为研究复杂人体运动模式提供了丰富且专业的素材。

使用方法

为便于研究者使用，数据集提供了从原始姿态数据到机器人关节位置数据的完整链条。用户需分别配置GVHMR可视化与GMR重定向两个独立环境。对于地面类型数据，可直接通过提供的脚本进行姿态可视化、运动重定向及结果可视化。对于包含跳跃动作的数据，则在重定向后需额外运行高度调整算法，以修正根节点的高度漂移，确保运动数据的物理合理性。所有处理步骤均附有详细命令行示例，支持研究者将数据适配于机器人训练或其他运动分析任务。

背景与挑战

背景概述

KungfuAthlete数据集聚焦于高动态武术动作的数字化表征与机器人运动迁移，其构建源于武术运动员日常训练视频的系统性采集与处理。该数据集由研究团队基于公开武术训练视频素材构建，核心研究问题在于解决传统动作捕捉数据集在高速旋转、腾空跳跃等高难度武术动作上的表征不足，旨在为仿人机器人运动控制提供更具挑战性的动态运动基准。通过GVHMR三维人体网格恢复与GMR运动重定向技术，数据集将197段原始视频处理为848个高质量运动样本，涵盖长拳、南拳、器械套路及高难度技巧等多元武术类别，其显著的高关节速度与角速度特征为机器人动态平衡与运动规划研究开辟了新的探索维度。

当前挑战

该数据集面临的核心挑战体现在领域问题与构建过程两个层面。在领域问题层面，武术动作固有的高动态性与非平稳特性对运动表征提出了严峻考验，尤其是腾空动作中的多自由度协调、落地冲击的物理合理性建模，以及武器挥舞带来的动力学复杂性，这些因素共同构成了机器人运动迁移中的稳定性与安全性难题。在构建过程中，从二维视频到三维运动参数的转换存在固有误差累积，GVHMR在极端姿态下的预测精度受限，而运动重定向环节需解决人体形态与机器人结构的运动学差异，同时还需应对原始视频中动作片段分割、光照变化与拍摄视角多样性带来的数据一致性挑战。

常用场景

经典使用场景

在机器人运动生成领域，KungfuAthlete数据集为高动态人体动作的建模与迁移提供了关键数据支撑。该数据集通过GVHMR技术从专业武术运动员的日常训练视频中提取三维人体网格，再经由GMR框架重定向为机器人可执行的运动序列。其经典应用场景集中于双足机器人高难度动作的模仿学习，特别是针对包含腾空、旋转等非平稳动态的武术套路。研究者可利用该数据集训练运动生成模型，使机器人能够复现人类运动员的复杂动作模式，为类人机器人的运动能力拓展至竞技体育范畴奠定数据基础。

解决学术问题

该数据集有效解决了运动生成研究中高动态、非平稳动作数据匮乏的学术难题。相较于LAFAN1、AMASS等以日常动作为主的数据集，KungfuAthlete提供了关节速度、线速度和角速度显著更高的运动样本，尤其跳跃子集展现了极致的动态特性。这使研究者能够深入探究大振幅、快速瞬态变化下的运动控制问题，为开发鲁棒的运动生成算法提供了挑战性基准。数据集填补了武术这类高度结构化、能量密集型动作在机器人学中的数据空白，推动了从平稳运动向高动态技能学习的范式转变。

衍生相关工作

围绕KungfuAthlete数据集，已衍生出多项针对高动态运动生成的经典研究工作。基于其提供的极端运动样本，研究者开发了适应大速度变化的运动重定向算法，解决了从人体到机器人形态的动力学适配问题。在运动预测领域，该数据集催生了针对非平稳序列的长期预测模型，能够准确建模腾空阶段的轨迹变化。此外，结合该数据集进行的模仿学习研究，探索了在保证硬件安全的前提下实现高难度动作的策略迁移方法，为机器人技能学习开辟了新的技术路线。这些工作共同推动了高动态机器人运动控制的前沿进展。