Multimodal Human Video Dataset

该数据集包含人类操作任务的视频，结合了肌肉活动与音频信号，旨在使机器人能够学习任务规划和控制参数。该数据集用于评估各种视觉语言模型在不同任务上的表现，如按方块、插入插头、击鼓和开瓶等。其规模涉及多项任务，每项任务有10个测试视频，包含不同的物体和摄像机视角。任务内容为多模态视频分析及现实世界中的机器人评估。