PHUMA

PHUMA是一个基于物理的人形机器人运动数据集。它利用大规模人类运动数据，通过精心处理数据和物理约束重定向，克服了物理伪迹，创建了一个高质量的人形机器人运动数据集。

原始信息汇总

PHUMA: 物理基础人形机器人运动数据集

数据集概述

PHUMA是一个物理基础的人形机器人运动数据集，通过大规模人类运动数据结合物理约束重定向技术创建高质量的人形机器人运动数据。

基本信息

• 许可证: Apache 2.0
• 任务类别: 机器人技术、强化学习
• 标签: 人形机器人、运动控制、数据集、重定向、物理仿真
• 数据规模: 10万到100万样本之间

数据集结构

数据集包含两种不同人形机器人配置的重定向数据：

• g1/ - 人形机器人配置g1
• h1_2/ - 人形机器人配置h1_2

数据格式

每个.npy文件包含以下字段：

• root_trans: 根关节三维空间平移 (x, y, z)，形状为 (num_frames, 3)
• root_ori: 根关节四元数朝向 (x, y, z, w)，形状为 (num_frames, 4)
• dof_pos: 所有关节的自由度位置，形状为 (num_frames, num_dof)
• fps: 运动序列的帧率

下载和使用

数据集以压缩文件形式提供，解压后生成data/目录包含所有运动数据。

相关资源

• 论文: https://arxiv.org/abs/2510.26236
• 项目页面: https://davian-robotics.github.io/PHUMA/
• GitHub仓库: https://github.com/DAVIAN-Robotics/PHUMA

引用信息

bibtex @article{lee2025phuma, title={PHUMA: Physically-Grounded Humanoid Locomotion Dataset}, author={Kyungmin Lee and Sibeen Kim and Minho Park and Hyunseung Kim and Dongyoon Hwang and Hojoon Lee and Jaegul Choo}, journal={arXiv preprint arXiv:2510.26236}, year={2025} }

搜集汇总

数据集介绍

构建方式

在仿人机器人运动研究领域，PHUMA数据集通过精心设计的数据处理流程构建而成。该数据集基于大规模人类运动数据，采用物理约束的重定向技术，有效消除了原始动作中的物理伪影。构建过程中对运动序列进行了系统化筛选与优化，确保生成的动作数据符合真实物理规律，最终形成包含两种仿人机器人配置的高质量运动数据集。

使用方法

针对机器人运动控制研究需求，该数据集提供了便捷的使用方式。用户可通过解压数据包获取结构化存储的运动序列，数据按机器人配置分类存储于独立目录。每个运动文件采用numpy数组格式，包含根关节运动轨迹、关节角度序列及帧率参数。研究者可直接加载这些数据用于运动模仿、控制策略训练或物理仿真验证，为仿人机器人运动算法开发提供标准化数据支持。

背景与挑战

背景概述

人形机器人运动控制作为机器人领域的核心研究方向，长期面临着物理约束下运动自然性与稳定性的双重挑战。PHUMA数据集由DAVIAN-Robotics研究团队于2025年创建，其核心目标在于通过大规模人体运动数据与物理约束重构技术，构建具有物理真实性的仿人运动数据库。该数据集通过精心设计的数据筛选流程与物理约束运动重定向方法，有效克服了原始运动数据中的物理伪影问题，为人形机器人 locomotion 研究提供了高质量基准数据，显著推动了物理仿真与运动生成领域的交叉融合。

当前挑战

在运动重定向领域，传统方法常因忽略物理动力学约束而产生非真实运动轨迹，PHUMA需解决人体运动数据向异质人形机器人模型迁移时的动力学适配难题。数据集构建过程中面临双重挑战：其一是原始运动捕获数据存在的物理不一致性问题，如足部滑动与浮空现象需通过物理约束优化进行修正；其二是多构型人形机器人运动映射的复杂性，需针对不同骨骼结构与自由度设计差异化重定向策略，确保生成运动既符合物理规律又保持自然度。

常用场景

经典使用场景

在仿人机器人运动控制研究中，PHUMA数据集通过物理约束重定向技术将大规模人体运动数据转化为符合动力学规律的仿人机器人动作序列，为运动策略生成与轨迹优化提供了高质量基准数据。该数据集包含多种步态模式与复杂地形适应行为，有效支撑了从静态平衡到动态奔跑的全方位运动技能学习。

解决学术问题

该数据集解决了仿人机器人领域因运动数据物理失真导致的策略迁移失效问题。通过精心设计的物理约束重定向机制，消除了原始运动捕捉数据中的浮空、滑步等运动伪影，为强化学习算法提供了符合刚体动力学规律的真实训练环境，显著提升了运动策略的物理合理性与稳定性。

实际应用

在工业与服务机器人领域，PHUMA数据集支撑了仿人机器人复杂场景下的运动规划系统开发。基于该数据集训练的运动控制模型已应用于灾难救援中的崎岖地形行走、医疗康复辅助机器人的平稳步态生成，以及娱乐产业中拟人化机器人的自然动作合成，大幅提升了机器人在非结构化环境中的移动能力。

数据集最近研究

最新研究方向

在仿人机器人运动控制领域，PHUMA数据集通过物理约束重定向技术有效解决了大规模人体运动数据中的物理伪影问题，为仿人机器人运动生成提供了高质量基准。当前研究聚焦于强化学习框架下的运动模仿与物理仿真融合，探索数据驱动策略在复杂地形自适应、动态平衡控制等前沿方向的应用。该数据集通过标准化多构型机器人运动数据格式，显著推动了物理仿真与真实世界间的sim-to-real迁移研究，为具身智能发展提供了关键数据支撑。