基于事件的乒乓球轨迹预测数据集

该数据集包含使用事件相机收集的乒乓球游戏序列，其中包含球的三维真实轨迹，并与Meta Project Aria眼镜的多模态传感器数据同步。该数据集可用于乒乓球轨迹预测模型的研究和开发，帮助实现实时、低延迟的乒乓球轨迹预测。该数据集适用于AR/VR游戏、实时体育分析、机器人等领域的应用。

This dataset contains table tennis game sequences collected using event cameras, which include the 3D ground-truth trajectories of the table tennis ball, and are synchronized with multimodal sensor data from Meta Project Aria glasses. This dataset can be utilized for the research and development of table tennis trajectory prediction models, and enables real-time, low-latency table tennis trajectory prediction. It is applicable to applications in fields such as AR/VR games, real-time sports analytics, and robotics.

搜集汇总

数据集介绍

构建方式

该数据集通过多模态传感器同步采集乒乓球比赛中的三维轨迹数据构建而成。研究团队采用Meta Project Aria智能眼镜与事件相机协同工作，Aria眼镜以30FPS采集RGB视频、60FPS眼动追踪数据及1kHz惯性测量数据，同时事件相机以微秒级时间分辨率异步捕捉亮度变化。所有传感器数据通过IMU陀螺仪频域对齐实现毫秒级同步，并利用OptiTrack动作捕捉系统提供的200Hz三维轨迹作为基准真值。数据采集过程包含30局不同参与者的比赛序列，每局起始通过音频峰值检测触发记录，确保数据时间对齐的精确性。

特点

该数据集创新性地融合了事件相机的高时空分辨率与眼动追踪的注意机制，具有三大核心特征：其一，采用事件相机特有的微秒级异步采样机制，有效克服传统相机在高速运动场景下的运动模糊问题；其二，通过眼动注视点重投影实现仿生视觉的感兴趣区域裁剪，将平均处理事件数从7157降至735，计算延迟从16.18ms优化至1.5ms；其三，数据集包含完整的多模态时空对齐信息，涵盖事件流、IMU数据、眼动向量及三维真值轨迹，为研究时空感知融合提供了丰富维度。

使用方法

该数据集适用于高速运动物体的三维轨迹预测研究，使用过程需注意多模态数据的时间对齐。研究者可首先通过事件相机的异步事件流进行乒乓球检测，利用运动补偿算法分离动态目标；其次结合眼动注视点坐标裁剪感兴趣区域，采用DBSCAN聚类和圆形度检测实现球体识别；最后将连续5ms时间窗内的检测结果输入基于多项式回归与扩展卡尔曼滤波的混合预测模型，实现未来200ms内的三维轨迹预测。数据集配套提供完整的标定参数与时间同步方案，支持端到端系统性能评估。

背景与挑战

背景概述

基于事件的乒乓球轨迹预测数据集由苏黎世大学机器人感知研究组于2025年创建，旨在解决高速运动物体在增强现实和机器人应用中的实时轨迹预测难题。该数据集创新性地结合了事件相机与Meta Project Aria眼镜的多模态传感器数据，首次实现了以玩家第一人称视角捕捉乒乓球三维真实轨迹。作为计算机视觉领域首个面向乒乓球运动的自我中心视觉数据集，其通过200Hz的高频事件流数据克服了传统30FPS相机的运动模糊缺陷，为运动分析、机器人控制和AR/VR交互等应用提供了关键基准。

当前挑战

该数据集面临的核心挑战体现在两个维度：在领域问题层面，需解决高速运动（30m/s）下亚毫秒级延迟的实时预测需求，同时应对玩家头部运动导致的复杂背景干扰；在构建过程中，多传感器（事件相机、Aria眼镜、OptiTrack）的时间同步精度需控制在毫秒级，而小尺寸球体在远距离检测时产生的像素级误差会放大三维轨迹估计偏差。此外，自我中心视角特有的运动模糊和视差效应，以及事件数据在动态场景中的噪声过滤，均为数据采集与标注带来显著挑战。

常用场景

经典使用场景

基于事件的乒乓球轨迹预测数据集在计算机视觉和机器人领域具有广泛的应用价值。该数据集通过事件相机捕捉乒乓球的高速运动轨迹，结合Meta Project Aria眼镜的多模态传感器数据，为研究者提供了高时间分辨率的真实场景数据。其经典使用场景包括实时乒乓球轨迹预测、高速运动物体跟踪以及低延迟感知系统的开发。数据集中的3D地面真实轨迹和同步传感器数据为算法验证提供了可靠基准。

解决学术问题

该数据集有效解决了传统帧式相机在高速运动场景下的局限性问题。通过事件相机的微秒级时间分辨率，研究者能够克服运动模糊和高延迟的挑战，实现更精确的轨迹预测。数据集特别针对自我中心视角下的动态物体跟踪难题，填补了该领域研究空白。其意义在于为低延迟感知系统、实时运动分析和增强现实应用提供了关键数据支持，推动了事件相机在体育分析领域的发展。

衍生相关工作

该数据集衍生了一系列经典研究工作，包括基于事件的动态障碍物检测系统、低延迟轨迹预测算法以及自我中心视角下的运动分析框架。相关研究如SpikeMOT事件多目标跟踪、EVtracker动态物体追踪等都借鉴了该数据集的技术路线。在机器人领域，该数据集启发了四足机器人事件捕球系统等创新应用，推动了事件相机与机器人控制的融合发展。