ExPhy

ExPhy是一个由北京邮电大学创建的多物体轨迹预测基准数据集，旨在联合评估轨迹预测与显式物理属性学习。该数据集包含24,000个模拟物理场景，每个场景提供3-8个物体的观测与未来轨迹，并为每个物体标注了质量、摩擦系数和恢复系数三个连续物理属性值。数据集通过PyBullet物理引擎生成，涵盖立方体、圆柱体和球体等多种几何形状，并设计了分布内及两种分布外（物理参数偏移、初始状态偏移）评估协议。该基准旨在解决现有轨迹预测模型对物体级物理属性缺乏显式评估的问题，推动物理可解释的动态预测方法发展。ExPhy is a benchmark dataset for multi-object trajectory prediction developed by Beijing University of Posts and Telecommunications (BUPT), which aims to jointly evaluate trajectory prediction and explicit physical property learning. This dataset contains 24,000 simulated physical scenarios, each providing observations and future trajectories of 3 to 8 objects, with three continuous physical property values (mass, friction coefficient, and coefficient of restitution) annotated for each individual object. Generated via the PyBullet physics engine, the dataset covers various geometric shapes such as cubes, cylinders, and spheres, and designs in-distribution and two out-of-distribution (physical parameter shift, initial state shift) evaluation protocols. This benchmark aims to address the issue that existing trajectory prediction models lack explicit evaluation of object-level physical properties, and promote the development of physically interpretable dynamic prediction methods.

原始信息汇总

ExPhy：多物体轨迹预测中显式物理属性学习基准

数据集概述

ExPhy是一个用于多物体轨迹预测的基准数据集，包含24,000个使用PyBullet模拟的物理场景。每个场景包含3-8个相互作用的立方体、圆柱体或球体，并提供观测/未来的3D轨迹以及物体级别的质量、摩擦系数和恢复系数物理属性标注。该基准旨在回答两个互补问题：模型能否准确预测交互物体的未来轨迹，以及其估计的物理属性是否与真实模拟参数一致。

数据集划分

划分	设置	训练	验证	测试	分布偏移
ExPhy-A	分布内	16,000	2,000	2,000	无
ExPhy-B	参数分布外	-	-	2,000	质量、摩擦和恢复系数
ExPhy-C	初始状态分布外	-	-	2,000	初始位置和速度

所有模型仅在ExPhy-A上训练，并直接在ExPhy-B和ExPhy-C上评估，无需微调。

预测协议

协议	观测步数	预测步数
短程	10	10
中程	20	40
长程	30	60

PhyODE方法

PhyODE是一个物理引导的混合模型，包含两个主要组件：

• 显式物理属性估计器：结合原始运动、不变轨迹和成对关系特征，预测物体级别的质量、摩擦系数和恢复系数。
• 可微分轨迹求解器：结合属性条件的摩擦和碰撞动力学，以及残差神经常微分方程和RK4积分。

物理属性真值仅用作训练监督，从不作为推理输入。

主要结果

在长程设置下，PhyODE的ADE/FDE结果如下：

评估划分	ADE	FDE
ExPhy-A（分布内）	0.36	0.75
ExPhy-B（参数分布外）	0.40	0.85
ExPhy-C（初始状态分布外）	0.97	2.00
ComPhy（零样本迁移）	0.51	0.82

在ExPhy-C上，PhyODE将长程ADE/FDE从1.45/2.90提升至0.97/2.00。属性层面的分析表明，低轨迹误差不一定意味着物理属性恢复准确，这促使对两个维度进行联合评估。

实现细节

• 框架：PyTorch，单张NVIDIA RTX 3090 GPU
• 优化器：AdamW，学习率1e-4，权重衰减1e-5，批次大小64，训练50个epoch

引用信息

如需引用请参考以下文献：Wang, Rui等人在2026年发布的arXiv预印本《ExPhy: A Benchmark for Explicit Physical Property Learning in Multi-Object Trajectory Forecasting》。

搜集汇总

数据集介绍

构建方式

ExPhy数据集基于PyBullet物理引擎构建，生成包含3至8个刚体对象的动态场景，对象形状涵盖立方体、圆柱体和球体。通过从预定义分布中采样初始状态和物理属性，产生多样化的运动与碰撞事件。数据集共含24,000个场景，其中ExPhy-A包含20,000个场景，划分为训练、验证和测试集；ExPhy-B和ExPhy-C各含2,000个留出场景，分别用于物理参数和初始状态的分布外评估。每个对象的轨迹及质量、摩擦系数和恢复系数标签直接从模拟器记录，确保标注的精确性。

特点

ExPhy的独特之处在于同时提供显式的对象级物理属性标签和轨迹数据，支持轨迹预测与物理属性估计的联合评估。数据集设计了三种评估协议：分布内（ID）、物理参数分布外（OOD-Parameter）和初始状态分布外（OOD-Initial），并定义了短、中、长三种预测时长。此外，ExPhy支持跨基准测试，可迁移至ComPhy进行零样本评估，揭示了轨迹预测精度与物理属性恢复准确性之间的关系。

使用方法

研究者可利用ExPhy训练和评估多目标轨迹预测模型，并显式监督物理属性估计。模型输入为观测轨迹，输出为未来轨迹和预测的物理属性。推荐使用PhyODE作为基线，其通过显式属性估计器和可微分的物理求解器进行端到端训练，并支持分布外泛化测试。数据集提供公开代码，便于复现实验和进行跨基准验证。

背景与挑战

背景概述

ExPhy数据集由北京邮电大学的研究团队于2026年构建，旨在解决多物体轨迹预测中物理属性显式学习的缺失问题。该数据集包含24,000个模拟物理场景，利用PyBullet引擎生成，为每个物体提供质量、摩擦系数和恢复系数的显式连续值标签，并设计同分布及两种分布外评估协议，以联合评估轨迹预测与物理属性估计。ExPhy的提出填补了现有基准（如CLEVRER、Physion++）仅关注未来状态预测或隐式属性推断的空白，为物理推理领域提供了标准化评估平台，推动了具身智能与动态场景理解的研究进展。

当前挑战

ExPhy所面临的挑战涵盖多维度。首先，物理属性（如质量、摩擦和恢复系数）无法从单帧位置直接观测，需依赖时序运动与物体交互线索进行推断，这要求模型具备精细的动态感知能力。其次，构建过程中需平衡模拟真实性与场景多样性，确保物理参数分布合理且覆盖广泛，同时设计分布外协议（如参数偏移和初始状态偏移）以测试模型的外推鲁棒性。此外，联合优化轨迹预测与属性估计存在多任务权衡，实验表明低轨迹误差并不必然对应高属性估计精度，如何实现两者协同提升仍是核心难题。

常用场景

经典使用场景

ExPhy数据集的核心使用场景在于多物体轨迹预测与显式物理属性估计的联合评估。该基准包含24,000个模拟物理场景，每个场景中3至8个不同形状的物体在重力、摩擦和碰撞作用下运动，并提供物体级别的质量、摩擦系数和恢复系数标注。研究者可利用该数据集训练和测试模型，使其从观测轨迹中同时预测未来轨迹和推断潜在物理参数，从而深入探究动态系统建模中的因果机制。其精心设计的分布内与分布外划分，为验证模型在物理参数和初始状态变化下的泛化能力提供了标准化的测试平台。

解决学术问题

ExPhy解决了现有物理推理基准中轨迹预测与物理属性估计脱节的核心学术问题。以往研究多侧重于预测未来状态或进行物理问答，而鲜有将物体级别的连续物理属性作为显式监督信号。该数据集通过提供精确的物理参数标签和三种评估协议，揭示了“低轨迹误差并不必然意味着准确的物理属性恢复”这一关键现象，促使研究者重新审视轨迹预测模型的内部表征是否真正捕捉了物理规律。其意义在于推动建立更全面的物理感知评估标准，促进物理引导的动力学模型发展。

衍生相关工作

ExPhy数据集的提出催生了若干衍生研究方向。其一，促进了物理引导的神经微分方程模型的发展，如论文中提出的PhyODE，它将显式属性估计与可微分的物理滚动相结合，显著提升了长时程外推性能。其二，推动了跨基准迁移评估的研究，通过零样本测试验证了从ExPhy学到的物理知识可迁移至其他基准（如ComPhy）。其三，该数据集激发了关于轨迹预测与物理属性估计解耦性的深入探讨，促使研究者设计更精细的评估指标和模型架构，以同时优化两个目标，推动物理感知预测领域的整体进步。