VovinamAthlete

一个从训练有素的越南Vovinam运动员那里收集的光学运动捕捉数据集。An optical motion capture dataset collected from well-trained Vietnamese Vovinam athletes.

原始信息汇总

VovinamAthlete数据集

概述

VovinamAthlete是一个高动态人形运动跟踪与跌倒恢复框架，包含从训练有素的越南越武道（Vovinam）运动员处收集的光学动作捕捉数据集。该框架首先在BONES-SEED数据集上预训练通用的全身跟踪策略，然后在Vovinam动作数据上结合随机失败状态和渐进式重力课程进行微调，使单一策略既能跟踪动态武术动作，又能从跌倒中恢复，无需单独的回退控制器或预定义的起身轨迹。

数据采集

• 采集方式：使用OptiTrack光学动作捕捉系统，从训练有素的Vovinam运动员处采集运动数据。
• 数据类型：采集的数据经重定向处理后，以GMR格式的.pkl文件形式保存，并可转换为.npz格式的运动片段文件用于训练。

应用任务

数据集用于以下仿真任务：

• VD03-Tracking：Vovinam动作跟踪任务。
• VD03-Tracking-No-State-Estimation：无状态估计的跟踪任务，用于通用跟踪策略的预训练。
• VD03-Tracking-Standing：带站立状态的跟踪任务，用于在Vovinam动作上微调策略。

涵盖动作

数据集包含多种Vovinam武术动作，包括：Chien Luoc、Dam Da Tu Do、Dam Len Goi、Dam Tay Khong、Khoiquyen、Long Ho、Ngu Mon、Nhap Mon Quyen、Phan The、Thap Tu等。

训练流程

训练采用两阶段流程：

1. 阶段一（通用跟踪预训练）：在广泛的运动数据集（BONES-SEED）上训练通用跟踪策略，使策略学习广泛的动作先验，能够再现多样的行走、日常活动等全身行为。
2. 阶段二（Vovinam特化与恢复感知微调）：从预训练的通用策略出发，使用VovinamAthlete数据集继续强化学习微调，同时让机器人暴露在具有挑战性的初始条件、扰动状态和跌倒状态下，并采用渐进式重力课程，使策略特化于高动态Vovinam动作，同时提升从跟踪失败中恢复并回到稳定可跟踪状态的能力。

硬件部署实验

在定制人形机器人上进行了真实硬件部署实验，每次实验从机器人躺在地面开始，策略需先使其站立，然后跟踪Vovinam动作，最后保持站立姿势。实验中包含了**俯卧起始（趴着，面朝下）和仰卧起始（平躺，背朝下）**两种跌倒姿态，以全面验证跌倒恢复能力。

搜集汇总

数据集介绍

构建方式

VovinamAthlete数据集源自越南武术Vovinam运动员的光学动作捕捉系统，通过OptiTrack设备采集训练有素的运动员的高动态动作，涵盖多种拳法套路如长拳、虎拳、五门拳等。采集到的原始动作数据经过去噪和骨骼重定向处理，转换为目标人形机器人可兼容的参考轨迹，并以GMR格式存储为.pkl文件，随后通过专用脚本转化为.npz剪辑片段，构成可直接用于强化学习训练的数据集。

特点

该数据集的核心特点在于其高动态性，记录了Vovinam武术中的剧烈全身运动，包括快速踢打、跳跃和跌倒等动作，为研究人形机器人在极端动态下的追踪与跌倒恢复提供了宝贵的参考。数据经过精细的动捕采集和重定向，确保了动作的物理合理性与机器人执行可行性。此外，框架集成了渐进式重力课程和随机故障状态，使单一策略能够同时实现动作追踪与跌倒恢复，无需独立的恢复控制器。

使用方法

数据集的使用遵循两阶段训练流程：首先在大规模BONES-SEED动作数据上预训练通用全身追踪策略，学习广泛的动作先验，然后利用VovinamAthlete数据集进行微调，通过强化学习设置随机初始条件、干扰和跌倒状态，并将重力课程应用于训练，增强策略对高动态动作的追踪能力和故障恢复能力。用户需先安装依赖环境，通过脚本转换数据格式，再执行训练命令选择相应任务进行训练，训练结果保存于日志目录中，可通过实机部署验证效果。

背景与挑战

背景概述

VovinamAthlete数据集由内华达大学里诺分校（UNR）aralab-unr团队于2025年创建，旨在解决高动态人形机器人运动跟踪与跌倒恢复这一前沿难题。该数据集利用OptiTrack光学动作捕捉系统，采集训练有素的越南越武道（Vovinam）运动员的复杂武术动作，涵盖多种高难度招式。其核心研究问题是：如何使单一人形机器人策略既能精准跟踪剧烈的全身运动，又能在摔倒后自主恢复站立，无需额外的恢复控制器或预定义起身轨迹。该数据集为机器人领域提供了一种独特的动态运动参考，结合BONES-SEED预训练策略与渐进重力课程微调，显著推动了高动态运动跟踪与鲁棒控制研究的发展，对仿人机器人在现实世界中的敏捷性与自愈能力提升具有重要影响力。

当前挑战

数据集当前挑战涵盖领域问题与构建两方面。领域问题上，高动态全身运动跟踪面临严峻挑战，因剧烈动作易使机器人迅速偏离参考轨迹进入跌倒状态，传统方法需分离恢复控制器或预定义轨迹，无法实现统一策略鲁棒处理。构建过程中，采集训练有素的越武道运动员的高精度光学运动数据颇具难度，需确保动作完整性与设备同步；更关键的是将收集的动作重定向到目标机器人，处理其物理差异与关节限制。此外，强化学习微调需引入随机失败状态与渐进重力课程，设计复杂奖励函数以平衡跟踪精度与恢复能力，同时在模拟与真实硬件上验证策略的泛化性，均构成显著技术瓶颈。

常用场景

经典使用场景

VovinamAthlete数据集的核心应用在于驱动高动态人形机器人的全身运动追踪与跌倒恢复研究。该数据集通过光学动捕系统采集越南越武道运动员的高动态动作，为强化学习提供高保真运动参考。典型使用流程包括将动作数据重定向至目标机器人模型，生成兼容的运动轨迹，并基于此微调预训练的通用追踪策略，以应对快速、剧烈的武术动作，同时促进策略在跌倒后自主恢复并维持稳定站姿。

实际应用

在实际部署中，VovinamAthlete框架已被应用于定制人形机器人，硬件测试表明策略能引导机器人从俯卧或仰卧状态自主站立，并执行如Chien Luoc、Long Ho等复杂动作，随后保持稳定站姿。这展示了其在复杂地形巡逻、应急响应及体育表演等场景中的实用潜力，即机器人可模仿高度动态的人类运动，并在意外跌落后自主恢复，提升了自主系统在非结构化环境中的作业能力和安全可靠性。

衍生相关工作

该数据集衍生了多种相关工作，包括结合BONES-SEED预训练的通用追踪策略微调方法，以及优化动作重定向流程的系列脚本，如pkl转csv及npz格式用于训练。后续工作还探索了无状态估计和站立式等不同任务变体，促进了对状态估计依赖性和恢复策略泛化能力的研究。此外，数据集支持多阶段强化学习训练范式的评估，为人形机器人的强化学习领域提供了可复现的基准。