G1_physical_ai_maps

G1 Physical AI Maps 是一个基于 Unitree G1 机器人采集的3D点云地图与导航目标数据集。数据集包含一个实验室环境（lab）的点云地图，点云数量为19,124个点，地图尺寸为12.8米×12.4米×3.4米。每个点云包含坐标（x, y, z）、强度（intensity）、法向量（normal_x, normal_y, normal_z）和曲率（curvature）。此外，数据集中还提供了对应的导航目标列表（tasklist.json），包含四个目标点（goal_1 ~ goal_4），每个目标以位置和四元数表示在地图坐标系中。元数据文件（metadata.json）记录了地图边界和MD5校验值。地图版本通过Git标签管理，确保可复现。数据集适用于机器人导航、路径规划、3D场景理解等任务。G1 Physical AI Maps is a 3D point cloud map and navigation goal dataset collected by the Unitree G1 robot. The dataset contains a point cloud map of a laboratory environment (lab) with 19,124 points, and the map dimensions are 12.8m × 12.4m × 3.4m. Each point includes coordinates (x, y, z), intensity, normal vectors (normal_x, normal_y, normal_z), and curvature. Additionally, the dataset provides a corresponding navigation goal list (tasklist.json) containing four goal points (goal_1 ~ goal_4), each represented by position and quaternion in the map coordinate system. The metadata file (metadata.json) records the map boundaries and MD5 checksum. Map versions are managed via Git tags to ensure reproducibility. The dataset is suitable for tasks such as robot navigation, path planning, and 3D scene understanding.

原始信息汇总

数据集概述：G1 Physical AI Maps

该数据集包含由 Unitree G1 机器人采集的 3D 点云地图及导航目标点，用于机器人导航和物理 AI 相关研究。

基本信息

• 许可证：Apache-2.0
• 数据类型：机器人学、Unitree G1、点云、导航
• 数据规模：n < 1K（样本数少于 1000）

数据内容

地图名称	点数	尺寸（米）	任务
lab	19,124	12.8 × 12.4 × 3.4	goal_1 ~ goal_4（4 个导航目标）

文件结构（以 lab 地图为例）

• maps/g1/lab/map.pcd：点云文件（PCD 二进制格式），包含 x, y, z, intensity, normal_x, normal_y, normal_z, curvature 字段。
• maps/g1/lab/tasklist.json：目标位姿（地图坐标系下的位置 + 四元数），数组顺序表示注册顺序。
• maps/g1/lab/metadata.json：包含地图边界和 MD5 校验值。

使用说明

• 可通过 hf_hub_download 函数从 Hugging Face 直接下载指定文件，例如： python path = hf_hub_download("mncai/G1_physical_ai_maps", "maps/g1/lab/map.pcd", repo_type="dataset", revision="map-g1-lab-v1")

• 地图版本通过 Git 标签（revision）固定，用户可选择使用最新版或指定版本。

• 下载后可参照 metadata.json 中的 MD5 值校验文件完整性。

• 点云坐标已对齐重力方向且 Z 轴向上，使用 map 坐标系，无需额外变换。

• 注意：Hugging Face 数据集查看器不支持渲染 .pcd 文件，3D 检查需在单独的 Space 中完成。

搜集汇总

数据集介绍

构建方式

在具身智能与机器人导航研究领域，高质量的三维环境地图与目标任务标注是算法验证与系统集成的基石。该数据集依托宇树G1人形机器人平台，在真实实验室场景中完成点云地图的采集与导航目标的标定。建图过程采用机器人搭载的感知传感器，通过SLAM或离线配准生成二进制PCD格式的点云文件，完整保留x、y、z坐标、强度、法向量及曲率信息。导航目标位姿以位置与四元数形式记录于tasklist.json，并与地图坐标系对齐，形成可直接用于导航任务评估的标准化数据单元。

特点

该数据集聚焦于小规模室内场景下的机器人导航研究，包含实验室环境约1.9万个点构成的三维点云地图，空间范围约12.8米×12.4米×3.4米，并配套四个导航目标位姿。点云数据以二进制PCD格式存储，字段涵盖坐标、强度、法向量与曲率，为感知与规划算法提供丰富几何信息。地图版本通过git标签进行固定，metadata.json中提供边界范围与MD5校验值，确保数据完整性与可复现性。坐标系统一为map坐标系，已进行重力对齐且z轴向上，省去额外坐标变换步骤。

使用方法

使用该数据集时，可通过Hugging Face Hub的Python接口下载指定版本的地图文件与任务列表。调用hf_hub_download函数并指定仓库名称、文件路径及可选的版本标签，即可获取PCD点云与JSON格式的目标位姿。下载后建议依据metadata.json中的MD5值校验文件完整性。由于平台的数据查看器无法直接渲染PCD文件，三维可视化需借助独立Space完成。点云与目标位姿均处于map坐标系下，可直接用于导航算法的输入，无需额外坐标变换。

背景与挑战

背景概述

随着具身智能与移动机器人研究的纵深推进，真实场景中大规模三维环境感知与导航数据的需求愈发迫切。G1物理AI地图数据集由mncai团队创建，依托宇树G1人形机器人平台，于实验室环境内采集三维点云地图与配套导航目标位姿，旨在为机器人导航、定位与运动规划研究提供标准化基准。该数据集涵盖约1.9万个点、12.8×12.4×3.4米空间范围以及四组注册顺序排列的目标位姿，并采用PCD二进制格式存储坐标、强度、法线与曲率信息，以git标签固定版本、md5校验保障可复现性，为相关领域提供了可直接用于算法验证的真实物理世界数据资源。

当前挑战

在领域层面，该数据集直面机器人在非结构化室内环境中实现精准建图与鲁棒导航的核心难题，要求算法能够在传感器噪声、点云稀疏性与动态干扰共存的条件下完成位姿估计与路径规划。构建过程中，数据采集依赖人形机器人平台的运动稳定性与传感器标定精度，点云拼接需克服累积漂移与坐标系对齐误差，目标位姿需保证在统一map坐标系下的重力对齐与四元数一致性，且PCD格式无法被HuggingFace数据集查看器直接渲染，需借助独立Space完成三维检视，这些因素共同构成了数据集在采集、处理与使用环节的多重挑战。

常用场景

经典使用场景

在具身智能与机器人自主导航的浪潮中，G1_physical_ai_maps数据集为基于Unitree G1人形机器人的三维点云建图与导航任务提供了关键的基础数据支撑。其经典使用场景聚焦于室内结构化环境下的目标驱动导航，研究者利用lab场景中高精度的点云地图（约1.9万个点，覆盖12.8米×12.4米×3.4米空间）及预定义的goal_1至goal_4导航位姿，训练和评估机器人在复杂室内环境中的路径规划与避障能力。点云包含坐标、强度、法向量及曲率等多维信息，支持从几何感知到语义推理的全流程实验，成为验证人形机器人导航算法的标准测试床。

衍生相关工作

围绕G1_physical_ai_maps数据集，衍生了一系列与Unitree G1平台及点云导航相关的研究工作。典型方向包括：基于该点云地图的改进型路径规划算法（如融合曲率特征的代价地图构建）、针对人形机器人步态与导航协同的全身运动规划、以及利用任务位姿进行长期自主导航的探索。数据集提供的多维点云属性也激发了基于法向量与强度信息的语义分割与场景理解研究。此外，该数据集在Hugging Face上的发布促进了开源社区对3D点云数据版本化管理的实践，为后续类似物理AI数据集的建设提供了范本，推动了人形机器人导航算法的可复现研究。

数据集最近研究

最新研究方向

G1_physical_ai_maps数据集面向具身智能与机器人自主导航的交叉前沿，依托宇树G1人形机器人平台采集的三维点云地图与导航目标，为室内环境下的语义建图、路径规划及物理AI学习提供了细粒度基准。当前研究聚焦于将点云强度、法向量与曲率等多维几何特征融入导航策略，推动从传统几何规划向数据驱动的具身决策范式迁移。该数据集与近期人形机器人全身运动控制、多模态感知融合等热点紧密关联，在实验室场景中验证了重力对齐、z轴朝上的统一坐标系对跨任务泛化的支撑作用，其版本化标签与MD5校验机制亦回应了可复现性研究的迫切需求，对推动机器人学习社区标准化评估具有积极意义。