BadmintonGRF

BadmintonGRF是由北京体育大学、浙江大学等机构联合创建的多模态数据集，旨在解决羽毛球运动中无标记地面反作用力（GRF）估计问题。数据集包含17,254条数据，涵盖八视角120FPS同步RGB视频、四块Kistler测力台及Vicon动作捕捉数据，总容量超1TB。数据通过实验室级传感器采集，并采用人工校验与自动化质控相结合的时序对齐方法。该数据集主要应用于计算机视觉与运动生物力学领域，为羽毛球运动员的负荷监测、疲劳分析及下肢损伤风险评估提供研究基础。BadmintonGRF is a multimodal dataset jointly developed by institutions including Beijing Sport University and Zhejiang University, aiming to address the problem of unlabeled ground reaction force (GRF) estimation in badminton sports. The dataset contains 17,254 data entries, covering synchronized RGB videos from 8 perspectives at 120 FPS, data collected from four Kistler force platforms, and Vicon motion capture data, with a total capacity exceeding 1 TB. The data is acquired via laboratory-grade sensors, and a temporal alignment method combining manual verification and automated quality control is adopted. This dataset is mainly applied in the fields of computer vision and sports biomechanics, providing a research foundation for load monitoring, fatigue analysis, and lower extremity injury risk assessment of badminton athletes.

原始信息汇总

数据集概述

BadmintonGRF 是一个面向羽毛球运动、用于无标记地面反作用力（GRF）估计的大规模多模态数据集。该数据集由 ACM MM 2026 发布，旨在推动间歇性运动中的非接触式 GRF 估计与生物力学研究。

核心特点

• 多视角高速 RGB 视频：8 台固定摄像机以约 120 FPS 的帧率同步录制。
• 实验室级真值数据：包含 4 块 Kistler 六轴测力台（1000/1200 Hz）和 8 台 Vicon 摄像机采集的 C3D 运动捕捉数据。
• 冲击导向的羽毛球协议：聚焦高强度、非周期性的步法与落地动作，并包含疲劳阶段分层。
• 软件级数据对齐：采用人工参与的闭环视频-GRF 对齐方法，避免昂贵的硬件同步设备需求。
• 全面基准测试：提供 10 个可复现基线模型（如 PatchTST、ST-GCN、TSMixer），并采用严格的留一被试（LOSO）评估协议，支持可选的后期融合。
• 分层隐私发布：处理后的姿态与 GRF 数据（Tier 1）以 CC BY-NC 4.0 许可发布；原始 RGB 与 C3D 数据（Tier 2）受控访问。
• 在线演示：提供基于 Gradio 的 Web 演示，支持实时 GRF 估计。

数据集概览

数据集提供了 17,425 个冲击片段档案，经过严格质量筛选后，基准测试包含 12,867 个有效实例，对应 1,732 个独立冲击事件。

模态	描述
视频	8 个视角 × 约 120 FPS（DJI Osmo Action 4）
姿态	2D COCO-17 关键点（通过 YOLO26-pose + ByteTrack 提取）
GRF	4 块 Kistler 测力台的六轴力数据（1000/1200 Hz）
运动捕捉	Vicon C3D（约 52 个标记点，240/250 Hz）

基准测试结果

在固定的留一被试（LOSO）协议下，对 10 个模型进行了基准测试，目标为预测身体重量归一化的垂直力（(F_z)）。以下为部分结果：

模型	(r^2) ↑	RMSE（BW）↓	峰值误差（BW）↓	峰值时序（帧）↓
PatchTST	0.403	0.510	0.226	1.07
ST-GCN+Transformer	0.394	0.514	0.221	0.96
TCN+BiGRU	0.390	0.514	0.348	3.79
TSMixer	0.351	0.531	0.218	1.85
Seq-Transformer	0.345	0.533	0.281	1.82

数据对齐软件

开发了专用的视频-GRF 对齐界面，可实现视频帧与测力台数据的亚帧级精确同步，配备实时视频预览、GRF 可视化、手动事件标记、偏移量自动计算、质量控制以及批量处理功能。

许可与访问

• 代码：采用 MIT 许可证。
• 数据（Tier 1）：处理后的姿态与对齐 GRF 数据采用 CC BY-NC 4.0 许可证。
• 数据（Tier 2）：原始 RGB 视频与 C3D 运动捕捉数据，因隐私保护需受控访问。

项目资源

• 项目页面：https://KenyaNiu.github.io/BadmintonGRF/
• 数据集（Tier 1）：https://doi.org/10.5281/zenodo.19277566
• 补充材料：https://github.com/KenyaNiu/BadmintonGRF/blob/main/docs/paper_supplementary.md

搜集汇总

数据集介绍

构建方式

BadmintonGRF数据集的构建依托于全仪器化的羽毛球场馆，采集设备包括八台帧率约为120 FPS的固定视角RGB相机、四块Kistler六轴测力台以及一套由八台Vicon摄像机组成的光学运动捕捉系统，并辅以可选的惯性测量单元（IMU）流。面对不同模态设备间缺乏硬件时钟同步的现实挑战，构建流程设计了一套结合人工标注与自动化质量保证的软件对齐管线，通过逐相机计算时间偏移量并记录其不确定性元数据，实现了消费级RGB视频与实验室级GRF数据的近似帧级同步。随后，基于对齐后的力平台信号检测落地冲击峰值，并以±0.5秒为对称窗口截取包含姿态、GRF及元数据的训练样本片段。整个构建流程以严格的质控规则（包括姿态评分、跟踪丢失率和峰值幅值阈值）对候选片段进行筛选，最终形成17,425个归档片段，经加载器门控后得到12,867个有效实例，覆盖1,732个经多视角去重的独立冲击事件。

特点

该数据集的核心特色在于其面向非周期性羽毛球运动的、具备实验室级传感精度的多模态资源整合，公开了此前极为稀缺的同步多视角高帧率视频与仪器化地面反作用力数据。相较于现有羽毛球数据集侧重于战术语义分析，BadmintonGRF独树一帜地提供了生物力学层面的地面真值，并创新性地引入了疲劳感知协议标注，通过编码试验阶段与疲劳状态的结构化元数据，支持对运动负荷与下肢应力的深度剖析。数据集的另一个显著优势在于其分层开放策略：Tier 1在CC BY-NC 4.0许可下公开发布加工后的姿态、对齐GRF及元数据，可直接复现基准评测；Tier 2则在受控访问下提供原始RGB视频和C3D运动学数据，满足需要外观信息或完整运动学的研究需求。此外，数据集配套了固定的留一受试者交叉验证划分、十个参考基线模型及确定性加载脚本，确保了跨站点的可重复性评估。

使用方法

该数据集的主要使用路径围绕其定义的关键点优先任务展开，即从以COCO-17骨架格式表示的二维人体姿态序列、置信度分数及有限差分运动特征中，回归出经过体重归一化的垂直地面反作用力（F_z）。用户可直接获取Tier 1的公共数据包，利用配套的确定性加载器、固定的留一受试者交叉验证划分以及评估脚本，在保证预处理流程一致的前提下，快速复现论文中报告的十种参考模型（涵盖时序卷积、循环网络、Transformer及图卷积网络）的基准结果。对于需要利用多视角几何、外观特征或完整运动学信息的高级研究，可通过申请获取Tier 2的原始数据，以挖掘遮挡条件下的鲁棒建模、动力学域适应或跨受试者泛化等科学问题。最终评估时，需同时报告决定系数、均方根误差、峰值幅值误差及峰值时刻误差四项互补指标，以全面刻画模型在曲线拟合、冲击幅度与时间精度上的综合表现。

背景与挑战

背景概述

BadmintonGRF数据集由北京体育大学与浙江大学等机构的研究人员于2026年创建，核心研究人员包括Niu Kuoye、Jianwei Li、Shengze Cai等。该数据集旨在解决非周期性羽球运动中实验室级地面反作用力（GRF）估计的挑战，填补了现有公开数据集中缺乏同步多视角高帧率视频与测力板GRF数据的空白。通过采集17名国家二级及以上运动员的156次仪器化试验，提供了8视角约120 FPS的RGB视频、4块Kistler测力板六轴GRF数据及Vicon光学运动捕捉数据。其影响力在于为无标记GRF估计研究提供了标准化的多模态基准，支持运动生物力学分析、疲劳监测及损伤风险评估，推动了计算机视觉与体育科学的交叉研究。

当前挑战

该数据集所解决的领域挑战主要源于羽球运动的特点：非周期性、频繁变向和落地冲击导致不规则足地载荷，传统基于周期性步态或脚本跳跃的GRF估计方法难以适应此类复杂动态。构建过程中的挑战则包括：1）消费级RGB相机与实验室测力板无法硬件同步，需通过软件对齐实现帧级精度，并依赖人工审核与自动化质量保障；2）多视角RGB数据量庞大（仅10名受试者的原始视频超1 TB），需设计高效的分段与筛选流程；3）跨受试者生物力学差异显著，导致留一受试者交叉验证的基准R²上限仅约0.40，提示模型需结合主体感知或元数据条件化策略。

常用场景

经典使用场景

BadmintonGRF数据集的核心应用场景在于利用多视角视频和人体姿态估计结果，实现对羽毛球运动中地面反作用力（GRF）的无标记估计。研究者和工程师可通过该数据集训练机器学习模型，从二维关键点序列或原始视频中回归出垂直方向的地面反作用力波形，尤其聚焦于落地冲击这一非周期性、高动态的瞬间。该数据集提供了完整的处理管线与基准方案，使得从视觉输入到力学信号的映射成为可重复、可比较的研究任务，弥补了现有周期性步态数据集在间歇性、高强度运动场景下的不足。此外，其多层级的访问设计（Tier 1与Tier 2）兼顾了隐私保护与数据丰富度，极大降低了多模态运动力学研究的准入门槛。

衍生相关工作

基于BadmintonGRF，已涌现出一系列具有代表性的衍生研究工作。在算法层面，研究者利用其提供的固定LOSO划分与多指标评估体系，对时序卷积网络、递归神经网络、Transformer及骨架图卷积网络等多种架构进行了系统比较，其中PatchTST与ST-GCN+Transformer在垂直力回归任务中展现了领先性能，为时序建模在运动力学领域的应用提供了实证参考。在方法创新方面，该数据集推动了时效性对齐不确定性建模、多视角置信度加权融合策略以及疲劳状态条件化回归等方向的发展。此外，BadmintonGRF还启发了面向遮挡情形下的姿态-动力学联合建模研究，以及实验室标定到训练场迁移学习的理论探索，为后续构建更大规模、更多运动项目的多模态生物力学数据集奠定了方法论基础。

数据集最近研究

最新研究方向

BadmintonGRF数据集聚焦于非周期性球类运动中基于多视角视频的无标记地面反作用力估测这一前沿方向。通过提供约120帧每秒的八视角同步RGB视频、四块Kistler测力台及Vicon运动捕捉数据，该资源填补了公开数据集中高精度生物力学标注与真实训练场景之间的鸿沟。结合羽毛球击球落地的冲击性特征，当前研究热点包括异质传感器的时间对齐与质量保障、基于二维关节点到垂直地面反作用力的回归建模，以及跨受试者、跨疲劳状态的迁移泛化。该数据集的发布推动了多媒体计算与运动生物力学的交叉融合，为无标记人体动力学预测提供了标准化的评估基准，同时也在隐私保护（一级数据仅公开关节点与力数据）与开放复现之间取得了平衡，对可穿戴设备受限条件下的运动负荷监控与运动损伤预防具有重要价值。

相关研究论文

• BadmintonGRF: A Multimodal Dataset and Benchmark for Markerless Ground Reaction Force Estimation in Badminton

  北京体育大学; 浙江大学; 武汉体育学院; 浙江工商大学 · 2026年