TH ¨OR

TH ¨OR数据集是由瑞典厄勒布鲁大学的移动机器人与嗅觉实验室创建的，专注于室内环境中的人类移动轨迹和眼动数据。该数据集包含超过60分钟的高频（100 Hz）记录，总计395k帧，捕捉了2531k次人类检测和600多个个体及群体的移动轨迹。数据收集过程中，参与者在模拟的社交环境中与机器人互动，执行各种任务，如导航、物品搬运等。TH ¨OR数据集不仅记录了位置和方向，还包括了障碍物地图、目标坐标、社交群体信息等丰富内容。此数据集旨在支持人机交互、移动机器人导航和人类行为预测等领域的研究，提供了一个高质量、多维度的数据资源，以促进相关技术的开发和测试。

The THÖR Dataset was created by the Mobile Robotics and Olfaction Laboratory at Örebro University, Sweden, and focuses on human movement trajectories and eye-tracking data in indoor environments. This dataset contains over 60 minutes of high-frequency (100 Hz) recordings, totaling 395,000 frames, capturing 2,531,000 human detections and movement trajectories of over 600 individuals and groups. During data collection, participants interacted with robots in simulated social environments and performed various tasks such as navigation and object transportation. In addition to recording position and orientation, the dataset also includes rich supplementary content such as obstacle maps, target coordinates, and social group information. This dataset aims to support research in fields including human-robot interaction, mobile robot navigation, and human behavior prediction, providing a high-quality, multi-dimensional data resource to promote the development and testing of relevant technologies.

搜集汇总

数据集介绍

构建方式

THÖR数据集在瑞典Örebro大学的一间宽敞实验室内完成采集，室内面积为8.4×18.8米，并连接一个相邻的杂物间。研究团队利用Qualisys Oqus 7+运动捕捉系统，通过10台红外摄像机以100Hz的频率追踪佩戴标记头盔的参与者，空间分辨率达到1毫米。实验设计了三种场景，分别包含单个障碍物、移动机器人以及三个障碍物，以模拟多样化的室内导航挑战。参与者被赋予访客、工人和检查员三种社会角色，执行目标导向的任务，如组队行走、搬运箱子和扫描二维码，从而产生丰富且自然的运动行为。此外，部分参与者佩戴Tobii Pro Glasses眼动追踪眼镜，记录50Hz的注视数据。同时，环境中部署了静止的3D激光雷达和RGB摄像机，并引入了一台自主导航的小型叉车机器人，以确保人机交互的真实性和复杂性。

特点

该数据集的核心优势在于其高精度、高频率和丰富的上下文信息。运动捕捉系统提供的真实位置数据噪声极低（感知噪声仅0.12 ms⁻²），远优于基于RGB-D或激光的传统数据集。轨迹曲率高达1.9±8.8 m⁻¹，平均跟踪持续16.7秒，展现了大量因静态障碍、动态人群和移动机器人引发的非线性路径和复杂交互，如超车、避让、排队、群体分合等。数据还包含头部6D姿态、注视方向、社会分组标签、障碍物地图和多个目标点坐标，为理解人类运动意图和社会行为提供了多维度的标注信息。与ETH、ATC等现有数据集相比，THÖR在行为多样性、连续跟踪时长和标注频率上均具有显著优势。

使用方法

THÖR数据集以.mat、.bag和.tsv格式公开发布，适用于多种研究任务。研究者可利用提供的Matlab脚本加载、可视化和播放轨迹数据，便于快速浏览和预处理。该数据集特别适合用于训练和评估人机交互中的运动预测模型，例如基于社会分组约束的轨迹预测算法，或用于学习人类感知的导航策略。此外，眼动数据可与头部姿态结合，研究注视在意图识别中的作用；激光雷达和摄像机数据则可用于多传感器融合的追踪与检测任务。数据集按场景和轮次组织，支持分场景训练和跨场景泛化测试，为机器人导航、视频监控和人群仿真等领域提供了可靠的基准资源。

背景与挑战

背景概述

在人与机器人共享空间的智能系统中，对人类行为的理解是实现安全、高效交互的核心。THÖR数据集由Andrey Rudenko等人于2019年创建，隶属于Örebro大学与Bosch Corporate Research的研究团队，旨在解决室内环境中人类运动轨迹数据质量不足、标注信息匮乏的问题。该数据集通过高精度运动捕捉系统记录了超过60分钟的人类运动数据，包含395k帧、2531k次检测及600余条个体与群体轨迹，并首次整合了头部朝向、视线方向、社会分组、障碍物地图及目标坐标等丰富上下文信息。相较于ETH、ATC等既有数据集，THÖR在轨迹精度、行为多样性及标注频率上实现了显著提升，为社交机器人导航、人类运动预测及人机交互研究提供了高保真的基准资源，推动了领域内从简单轨迹分析向多模态行为理解的范式转变。

当前挑战

THÖR数据集所解决的领域挑战主要聚焦于室内人机共融环境中人类运动行为的复杂表征与预测。现有数据集普遍存在轨迹噪声高、行为模式单一、缺乏社会上下文信息等局限，难以支撑对群体交互、避障策略及动态目标导向行为的精准建模。在构建过程中，研究团队面临多重技术挑战：首先，需在8.4×18.8米的实验室空间内设计包含静态障碍物、移动机器人及多角色任务（如访客、工人、检查员）的交互场景，以激发自然且多样的运动模式；其次，需同步融合100Hz运动捕捉、50Hz眼动追踪及3D激光雷达等多源异构数据，确保时空对齐精度；此外，还需开发自动化清洗算法以修复运动捕捉中的头盔ID切换与轨迹丢失问题，最终实现低噪声、高频率的连续跟踪，较ETH数据集降低了约37%的感知噪声。

常用场景

经典使用场景

THÖR数据集的核心应用场景聚焦于室内人机共融环境下的行人运动轨迹建模与预测。在机器人导航、智能监控及人机协作等研究领域，该数据集通过高精度运动捕捉系统记录了人类在复杂静态障碍物与动态机器人共存空间中的真实运动模式。其独特之处在于提供了超过60分钟、涵盖600余条个体与群体轨迹的密集数据，并同步采集了头部朝向、视线方向、社会分组及目标位置等上下文线索，为训练和评估基于学习的运动预测算法提供了兼具高保真度与丰富语义的基准资源。

衍生相关工作

THÖR数据集衍生了一系列具有影响力的研究工作，尤其在基于社会注意力机制的运动预测和群体行为建模方面。例如，研究者利用其提供的群体标签与障碍物地图，提出了融合社会分组约束的轨迹预测模型，显著提升了拥挤场景下的预测精度。此外，基于该数据集的头部朝向与视线信息，衍生出了结合非语言线索的人机意图推断方法，以及用于量化行人运动复杂度的曲率与速度变化度量指标。这些工作不仅验证了THÖR在训练高鲁棒性预测网络中的价值，也催生了如CLiFF地图等长期运动模式学习方法，进一步拓展了人机共融导航的理论边界。

数据集最近研究

最新研究方向

THÖR数据集在社交人机交互与运动规划领域的前沿研究中占据重要地位，其精准的室内人类运动轨迹与眼动数据为理解复杂社交行为提供了高保真基准。当前研究热点聚焦于利用该数据集训练具备社会意识的人机协同导航算法，例如通过融合群体分组、头部朝向及注视方向等上下文线索，提升机器人对行人意图的预测能力。该数据集还推动了动态障碍物环境下多模态交互行为的建模，特别是在机器人移动时人类路径调整与避让策略的量化分析。其高频率、低噪声的特性使得从微观运动模式到宏观群体流动的跨尺度研究成为可能，为构建更具适应性的自主系统奠定了数据基础。

相关研究论文

• THÖR: Human-Robot Navigation Data Collection and Accurate Motion Trajectories Dataset

  移动机器人与嗅觉实验室，厄勒布鲁大学，瑞典 · 2019年