RadProPoser 数据集

RadProPoser 数据集是一个基于雷达数据的人体姿态估计数据集，由德国埃尔朗根-纽伦堡弗莱德里希-亚历山大大学的研究团队创建。该数据集包含光学动作捕捉的真实数据，用于训练和评估人体姿态估计模型。数据集包含26个三维关节位置信息，并能够量化每个关节的不确定性。数据集的创建过程涉及对原始雷达数据进行处理，并通过变分推理方法进行关键点回归。RadProPoser 数据集旨在解决基于雷达的人体姿态估计问题，为可解释和可靠的人体运动分析提供基础。The RadProPoser dataset is a radar-based human pose estimation dataset created by the research team from Friedrich-Alexander University Erlangen-Nuremberg, Germany. It provides ground-truth optical motion capture data for training and evaluating human pose estimation models. The dataset encompasses 26 sets of 3D joint position information, and enables the quantification of uncertainty for each joint. The development of the RadProPoser dataset involves processing raw radar data and performing keypoint regression via variational inference methods. This dataset aims to address radar-based human pose estimation challenges, and serves as a foundation for explainable and reliable human motion analysis.

搜集汇总

数据集介绍

构建方式

RadProPoser数据集的构建基于多模态传感器融合技术，采用3发4收MIMO雷达系统采集原始复数雷达张量数据，并同步光学动作捕捉系统（OMC）作为高精度三维关节点真值。数据采集过程中，12名受试者在9种标准化动作（如上肢伸展、深蹲等）下以0°、45°、90°三个视角进行重复实验，每个动作序列持续36秒，帧率为15Hz。通过4D-FFT预处理消除静态杂波，保留完整的信号特征。数据集特别强调时间同步与伦理合规性，所有数据均通过伦理审查并获参与者知情同意。

特点

该数据集的核心价值在于其多维度不确定性标注与稀疏天线配置的创新结合。相较于传统雷达姿态估计数据集，RadProPoser不仅提供26个三维关节点的毫米级光学动捕真值，还通过变分推理框架量化每个关节点的异方差偶然不确定性。数据特点包括：1) 原始雷达张量保留完整信号特征，避免CFAR等压缩算法导致的信息损失；2) 45°视角下平均关节误差仅5.678cm，验证了侧向观测的优越性；3) 学习到的不确定性与实际误差呈强相关性（校准后ECE=0.021），可支持可靠预测区间生成。

使用方法

该数据集支持端到端的概率化姿态估计模型开发。使用流程可分为三个阶段：1) 数据预处理阶段需对复数雷达张量进行4D-FFT变换，构建时空特征张量；2) 模型训练阶段推荐采用高斯-高斯协方差变体，通过负对数似然损失联合优化关节点坐标与不确定性参数；3) 下游应用阶段可利用潜在空间分布进行数据增强（如调节α参数生成合成样本），或通过等渗回归校准不确定性输出。数据集特别适用于研究雷达信号噪声与人体运动学约束的交互关系，其不确定性标注可直接用于生物力学仿真中的物理约束损失加权。

背景与挑战

背景概述

RadProPoser数据集由Jonas Leo Mueller等研究人员于2025年提出，旨在解决基于雷达的人体姿态估计（HPE）中的关键挑战。该数据集采用光学动作捕捉（OMC）系统作为地面真实数据，结合3发射4接收的MIMO雷达系统，专注于在复杂环境中实现高精度、隐私保护的姿态估计。其创新性在于首次将变分推理引入雷达张量处理，实现了端到端的关节位置不确定性量化，为可解释的雷达运动分析奠定了基础。该工作由德国研究基金会（DFG）资助，标志着雷达感知与概率深度学习融合的重要里程碑。

当前挑战

RadProPoser面临的挑战主要体现在两个方面：在领域问题层面，需克服雷达信号固有的多径效应、热噪声和相位噪声干扰，这些因素导致传统点估计模型易产生过度自信的预测；在构建过程中，需解决稀疏天线配置下的信息损失问题，以及光学动作捕捉系统与雷达数据的时间同步难题。此外，如何从低信噪比的原始雷达张量中提取有效的时空特征，并建立其与26个三维关节位置的映射关系，构成了算法设计的核心挑战。数据集还需处理不同视角下（0°、45°、90°）人体部位反射强度差异导致的姿态估计不对称性问题。

常用场景

经典使用场景

RadProPoser数据集在雷达基人体姿态估计（HPE）领域具有广泛的应用价值，尤其在隐私保护、光照不变性等场景中表现突出。该数据集通过处理来自紧凑型3发射器、4接收器MIMO雷达的复杂值雷达张量，实现了对26个三维关节位置的联合预测，并量化了异方差偶然不确定性。其经典使用场景包括在医疗诊断、自动驾驶系统等高风险领域中，为决策提供透明且可靠的姿态估计支持。

衍生相关工作

RadProPoser数据集衍生了一系列经典工作，包括基于压缩点云的方法和雷达张量方法（RTA）。例如，Lee等人利用正交安装的雷达传感器进行2D关键点检测，Ho等人则通过RGB和LiDAR多模态地面真值生成大规模数据集。这些工作在不同程度上推动了雷达基HPE的发展，而RadProPoser通过端到端的不确定性建模，进一步提升了该领域的可靠性和解释性。

数据集最近研究

最新研究方向

近年来，RadProPoser数据集在基于雷达的人体姿态估计（HPE）领域引起了广泛关注。该数据集通过结合光学运动捕捉（OMC）技术，提供了高精度的三维姿态标注，为雷达信号处理与深度学习模型的融合研究奠定了重要基础。当前研究热点集中在不确定性量化、多模态数据融合以及稀疏雷达配置下的实时姿态估计。前沿工作如RadProPoser框架，通过变分推断建模关键点回归中的异方差偶然不确定性，实现了端到端的雷达张量处理，平均关节位置误差（MPJPE）低至6.425厘米。此外，该数据集在隐私保护、光照鲁棒性及生物力学分析等应用场景展现出独特价值，推动了可解释性运动分析技术的发展。

相关研究论文

• RadProPoser: A Framework for Human Pose Estimation with Uncertainty Quantification from Raw Radar Data

  德国埃尔朗根-纽伦堡弗莱德里希-亚历山大大学（Friedrich-Alexander-Universität Erlangen-Nürnberg） · 2025年