Motion4D是由华中科技大学与南洋理工大学联合创建的首个面向合成到真实运动预测研究的大规模合成4D LiDAR数据集。该数据集包含1,370个动态序列，总计124,000帧点云数据，涵盖了丰富多样的交通运动模式，其数据通过基于物理的仿真流程生成，利用CAD资产和射线投射算法渲染高保真序列。该数据集专为合成到真实域自适应场景设计，旨在解决自动驾驶领域中真实运动标注成本高昂的难题，为运动预测模型的

arXiv2026-07-07 更新280

nuPlan-v1.0 dataset

自动驾驶规划

运动预测

nuPlan是世界上第一个自动驾驶的大型规划基准。尽管越来越多的基于ML的运动计划人员，但缺乏已建立的数据集，仿真框架和指标限制了该领域的进展。用于自动驾驶车辆运动预测的现有基准 (Argoverse，Lyft，Waymo) 集中在其他代理的短期运动预测上，而不是自我车辆的长期计划。这导致以前的工作使用具有L2-based指标的开环评估，这些指标不适合公平评估长期计划。我们的基准测试通过提供培训框

OpenXLab130

Human3.6m

人体姿态

运动预测

Human3.6m是由奥格斯堡大学等机构采用的经典人体姿态数据集，包含7名演员执行15类动作的3D骨骼序列。该数据集以50Hz频率采集，包含32个关节点，经预处理后常采用22个动态关节进行模型训练，每段序列采样256个随机样本。数据通过专业运动捕捉系统在受控环境中录制，经指数映射转换为三维坐标。该资源主要应用于人体姿态预测研究，通过分析历史关节序列预测未来运动轨迹，为自动驾驶、人机交互等场景提供关

arXiv2025-11-19 更新3750

RatPose

生物机器人

运动预测

RatPose是由大连理工大学创建的生物机器人运动预测数据集，专注于通过收集的第三人称视频序列预测生物机器人的运动。该数据集考虑了个体和环境的影响因素，涵盖了5种场景、6个个体和1023对数据。创建过程中，使用头顶摄像头捕捉垂直视角的环境，记录了多种环境下的视频，如迷宫、实验室模拟和开放场地。RatPose数据集旨在解决生物机器人行为控制中的不确定性问题，特别是在长期运动预测和行为控制方面。

arXiv2023-07-21 更新230

Figure S1 - Just Do It: Action-Dependent Learning Allows Sensory Prediction

资源简介：

相关数据集