Grasps Under Varied Object Orientation Dataset (GUVOOD)

GUVOOD数据集由北京航空航天大学生物与医学工程学院创建，包含13,440条人类在不同物体方向下的抓握记录。数据集通过光学跟踪系统和双摄像头记录手腕空间变换和手势，涵盖日常物品如球、工具等，分为旋转体、立方体和非规则物体三类。创建过程中，参与者被要求忽略物体常规用途，专注于抓取任务。该数据集旨在解决机器人抓握规划中的效率问题，通过分析人类抓握行为，优化机器人抓握策略。

The GUVOOD dataset was created by the School of Biology and Medical Engineering, Beihang University, and contains 13,440 human grasp records collected under different object orientations. It records wrist spatial transformations and gestures via an optical tracking system and dual cameras, covering daily objects such as balls and tools, and is divided into three categories: rotational objects, cubes, and irregular objects. During the data collection process, participants were instructed to ignore the conventional uses of the objects and focus solely on the grasping task. This dataset aims to address efficiency issues in robotic grasping planning, and optimize robotic grasping strategies by analyzing human grasping behaviors.

搜集汇总

数据集介绍

构建方式

GUVOOD数据集由28名受试者（21名右利手、7名左利手）在受控实验条件下采集而成。实验选用60种日常物品，依据几何对称性分为旋转体、长方体与不规则物体三类。物品被置于可旋转平台上，每次旋转45度，共8种朝向。受试者被要求忽略物品的常规用途，专注于拾取任务，以排除功能性偏倚。每次抓取由光学追踪系统记录腕部位置与姿态（极坐标φ、θ、r及旋转Rx、Ry、Rz），同时由实验者依据Cutkosky分类法标注抓取类型。最终数据集包含13,440次抓取记录，其中成功且无歧义的抓取用于后续分析。

特点

该数据集的核心特点在于系统性地探究了物体朝向变化对人类抓取策略的影响。实验发现，腕部位置参数（φ、θ、r）与姿态参数（Rx、Ry、Rz）的分布均近似正态分布，且左右手数据呈镜像对称。抓取类型高度集中于四种精确棱柱抓取，占总抓取量的79.5%，精确抓取与力抓取的比例（85.4%对14.6%）显著高于同类研究。物体几何对称性对抓取空间的影响被量化：旋转体的方位角φ标准差最小（约12度），不规则物体最大（约24度），表明对称性越高的物体，其抓取对朝向变化的鲁棒性越强。

使用方法

GUVOOD可作为抓取规划算法的参考基准。研究者可利用腕部参数的置信区间（如99%置信区间下，φ变化范围约-22至113度，r距离70至210毫米）来优化搜索空间，避免全朝向搜索的低效。对于非拟人机械手，可根据手部尺寸与灵巧度对区间进行缩放。数据集支持进一步分析参数间的相关性，并可用于训练机器学习模型，以预测在不同物体朝向下的稳定抓取策略。原始数据已开源，可通过论文提供的GitHub仓库获取。

背景与挑战

背景概述

在机器人抓取领域，如何高效规划稳定抓取策略一直是核心难题。人类手部具有超过20个自由度，加上腕部6个自由度，使得抓取构型空间维度极高，现有算法常需依赖启发式约束以降低搜索复杂度。针对这一挑战，北京航空航天大学王宇研究团队于2019年构建了GUVOOD数据集，由程畅、闫亚东等研究者主导，旨在量化物体朝向变化对人类抓取行为的影响。该数据集包含28名受试者对60种日常物品在8种不同朝向下的13,440次抓取记录，系统记录了腕部位置、旋转及抓取类型。其核心研究问题在于揭示物体几何对称性如何缩减抓取搜索空间，为机器人抓取规划提供经验参考。该数据集填补了抓取参数缺乏实证依据的空白，对简化拟人手机器人抓取算法具有重要指导意义。

当前挑战

GUVOOD数据集面临的核心挑战在于解决机器人抓取规划中搜索空间过大的领域难题。传统方法未考虑物体旋转对称性，导致腕部变换搜索冗余；而该数据集通过实验发现，仅需约120度（对旋转体更小）的接近向量变化即可覆盖99%的成功抓取，从而为缩小搜索半径提供实证依据。构建过程中，数据集面临两大挑战：一是避免物体功能性使用偏好对抓取行为的干扰，实验要求受试者忽略物体常规用法，仅关注拾放任务；二是数据采集的精确性，光学追踪系统因标记物遮挡导致1.51%的腕部变换数据模糊，且扁平、沉重物体（如扳手）造成0.63%的抓取失败。此外，长时间实验（每受试者约2小时）可能引发疲劳，导致受试者倾向于重复使用精密抓取类型，影响抓取多样性。

常用场景

经典使用场景

GUVOOD数据集的核心经典使用场景在于探究人类在物体朝向变化下的抓取行为规律，为机器人抓取规划提供经验性参考。该数据集记录了13440次人类抓取，涵盖60种日常物体在8种不同朝向下的抓取数据，包括腕部位置、旋转参数和Cutkosky抓取类型。研究者可利用这些数据验证抓取策略对物体旋转的鲁棒性，并量化抓取参数的自然分布特征，从而优化抓取规划中的搜索空间。

解决学术问题

该数据集解决了机器人抓取领域中高维搜索空间效率低下的学术难题。传统方法需遍历腕部变换的所有维度，而GUVOOD通过实证表明，物体旋转对称性可显著缩减搜索范围——仅需约120度的腕部角度变化即可覆盖99%的成功抓取。此外，它揭示了抓取类型以精密棱柱抓取为主（占79.5%），腕部参数服从正态分布，为构建低维抓取子空间提供了统计学依据，推动了抓取规划从盲目搜索向数据驱动的高效范式转变。

衍生相关工作

GUVOOD衍生了一系列经典工作，包括基于参数相关性分析的抓取协同研究，以及利用机器学习（如强化学习）在低维子空间中优化抓取策略的算法。例如，有工作借鉴其腕部变换分布，结合Santello等人的姿态协同理论，将手部配置空间降至3维，同时保留70%的关节变化。此外，Cini等人的对比研究验证了数据集在抓取类型频率统计上的可靠性，而Lu等人则利用其改进学习型抓取规划模型，提升了未知物体上的泛化能力。