TIC Dataset

该数据集收集自5个受试者（s1~s5）。对于每个受试者，数据集提供：1. **acc.pt**----6个身体IMU的加速度，开始时通过静态校准校准。2. **rot.pt**----6个身体IMU的方向，开始时通过静态校准校准。3. **pose.pt**----由NOKOV系统捕获的SMPL姿势（使用光学跟踪器）。4. **trans.pt**----全局身体平移（位置）。5. **drift.pt**----6个身体IMU的绝对坐标漂移。6. **offset.pt**----6个身体IMU的测量偏移。7. **acc_gt.pt**----由NOKOV系统捕获的GT IMU加速度（使用光学跟踪器）。This dataset is collected from 5 subjects (s1~s5). For each subject, the dataset provides: 1. **acc.pt**: Acceleration data from 6 body-worn IMUs, calibrated via static calibration at the start. 2. **rot.pt**: Orientation data from 6 body-worn IMUs, calibrated via static calibration at the start. 3. **pose.pt**: SMPL pose captured by the NOKOV optical tracking system. 4. **trans.pt**: Global body translation (position). 5. **drift.pt**: Absolute coordinate drift of the 6 body-worn IMUs. 6. **offset.pt**: Measurement offset of the 6 body-worn IMUs. 7. **acc_gt.pt**: Ground-truth IMU acceleration captured by the NOKOV optical tracking system.

原始信息汇总

数据集概述

数据集基本信息

• 名称: Transformer IMU Calibrator (TIC) 数据集
• 相关论文: "Transformer IMU Calibrator: Dynamic On-body IMU Calibration for Inertial Motion Capture" (SIGGRAPH 2025)
• 作者: Chengxu Zuo, Jiawei Huang, Xiao Jiang, Yuan Yao, Xiangren Shi, Rui Cao, Yinyu Yi, Feng Xu, Shihui Guo, Yipeng Qin
• 机构: 厦门大学, 清华大学, 卡迪夫大学, 伯恩茅斯大学

数据集内容

• 数据来源: 5名受试者 (s1~s5)
• 数据类型:
  • acc.pt: 6个身体IMU的加速度数据（静态校准）
  • rot.pt: 6个身体IMU的方向数据（静态校准）
  • pose.pt: 由NOKOV系统捕获的SMPL姿势（使用光学跟踪器）
  • trans.pt: 全局身体平移（位置）
  • drift.pt: 6个身体IMU的绝对坐标漂移
  • offset.pt: 6个身体IMU的测量偏移
  • acc_gt.pt: 由NOKOV系统捕获的GT IMU加速度（使用光学跟踪器）

数据说明

• IMU顺序: 左前臂, 右前臂, 左小腿, 右小腿, 头部, 髋部
• 数据格式: 所有数据均为SMPL帧格式

数据集获取

• 下载地址: https://www.dropbox.com/scl/fo/ggrvm8x2xjhu1m0pjomc9/ADClW3gbt4swggoulhndBKA?rlkey=bagguhrnze7fdvgr2toggce0v&st=p3fj8g1e&dl=0

相关资源

• 代码实现: 包含网络权重、训练和评估脚本
  • train.py: TIC网络训练
  • eval.py: 在数据集上运行动态校准并计算OME、AME和R_GG/R_BS误差

致谢

• 部分代码改编自PIP
• SMPL_MALE模型下载自https://smpl.is.tue.mpg.de/

搜集汇总

数据集介绍

构建方式

在惯性动作捕捉领域，TIC数据集的构建采用了多模态数据同步采集技术。研究团队通过5名受试者的实验，使用NOKOV光学追踪系统作为基准，同步记录6个身体部位IMU传感器的加速度、方向角等原始数据，并结合SMPL人体模型参数进行标准化处理。数据集构建过程中严格遵循科研数据采集规范，每个数据文件均经过静态校准和光学追踪验证，确保数据的时间同步性和空间一致性。

特点

该数据集在动态IMU校准领域展现出显著优势，其核心特点在于提供多维度同步数据。数据集包含加速度、方向角、SMPL姿态参数、全局位移等7类关键数据，覆盖上肢、下肢及躯干等6个关键身体部位。所有数据均统一在SMPL参考系下，并配有光学追踪系统采集的基准真值，为动态校准算法开发提供了可靠的验证基础。数据采样频率和精度符合生物力学研究标准，特别适合开发基于Transformer架构的实时校准模型。

使用方法

研究人员可通过提供的Python脚本快速开展实验，数据集采用PyTorch张量格式存储确保高效读取。eval.py脚本可实现动态校准误差的自动化评估，支持OME、AME等多种指标计算。使用前需将光学追踪数据与IMU数据进行时空对齐，建议先通过静态校准建立基准坐标系。对于算法开发，建议优先利用头部和髋部IMU数据验证基础模型，再逐步扩展到四肢等动态特征更复杂的部位。数据集配套提供完整的坐标系转换说明，确保不同研究团队能准确复现实验环境。

背景与挑战

背景概述

TIC数据集由厦门大学、清华大学、卡迪夫大学和伯恩茅斯大学的研究团队联合开发，旨在解决惯性运动捕捉中的动态校准问题。该数据集于2025年正式发布，并被SIGGRAPH会议收录，标志着其在计算机图形学和动作捕捉领域的重要地位。数据集的核心研究问题聚焦于如何利用Transformer架构实现穿戴式惯性测量单元（IMU）的动态校准，从而提高动作捕捉的精度和鲁棒性。通过提供多模态的传感器数据和光学捕捉的基准数据，TIC数据集为穿戴式计算和虚拟现实领域的研究提供了重要支持。

当前挑战

TIC数据集面临的挑战主要体现在两个方面：在领域问题层面，动态IMU校准需要解决传感器漂移、测量偏差和复杂运动模式下的数据融合问题，这些因素直接影响动作捕捉的精度；在构建过程层面，数据集采集涉及多传感器同步、光学基准系统校准以及大规模人体运动数据的标准化处理，技术复杂度较高。此外，如何将SMPL人体模型与IMU数据有效结合，也是数据集构建过程中需要克服的关键挑战。

常用场景

经典使用场景

TIC数据集在惯性动作捕捉领域具有重要应用价值，其经典使用场景包括动态校准穿戴式惯性测量单元（IMU）的姿态估计。通过提供多部位IMU的加速度、旋转、姿态及全局漂移等数据，该数据集为研究者在复杂运动状态下进行高精度IMU动态校准提供了标准化测试平台。尤其适用于需要实时捕捉人体运动的场景，如虚拟现实交互、体育动作分析等。

衍生相关工作

基于TIC数据集衍生的经典工作主要集中在深度学习与传感器融合方向。研究者开发了基于Transformer的动态校准网络架构，显著提升了IMU在剧烈运动下的稳定性。该数据集还催生了多篇关于时空特征解耦的顶会论文，为后续研究提供了可复现的基准测试框架。部分衍生成果已集成到开源动作捕捉库PIP中，形成完整的技术生态。

数据集最近研究

最新研究方向

随着惯性动作捕捉技术的快速发展，TIC数据集在动态校准领域展现出重要价值。该数据集聚焦于基于Transformer的IMU动态校准方法，为多传感器融合系统提供了高精度的标定基准。近期研究热点集中在利用深度学习模型解决穿戴式IMU的时变误差问题，特别是在复杂人体运动场景下的实时校准挑战。相关工作已推动虚拟现实、运动分析和医疗康复等领域的技术革新，为无标记动作捕捉系统提供了新的解决方案。