sports-motion-data

# 🏃 运动技能教学数据结构 **连接体育教学专业知识与具身智能 — 面向 VLA 模型训练的结构化运动技能数据。** 一套将体育教学经验转化为具身智能模型可用的结构化训练数据。核心思路：**把体育老师脑子里的"这个动作对不对"变成机器可读的量化数据**。 ## 数据集简介 每个运动项目被分解为 **三层结构**： - **Sport（运动项目层）** — 这是什么运动？在什么场景下做？ - **SkillUnit（技能单元层）** — 动作分几个阶段？每个阶段身体应该什么样？ - **AssessmentRule（评价规则层）** — 什么叫做好？做错了怎么纠正？ ### 包含的运动项目 | 项目 | 类别 | 动作模式 | 技能单元 | 错误模式 | 练习方法 | |------|------|----------|:---:|:---:|:---:| | 50米跑 | 径赛 | 线性位移 | 4 | 9 | 11 | | 立定跳远 | 跳跃 | 垂直跳跃 | 4 | 8 | 12 | | 1分钟跳绳 | 协调 | 周期性协调 | 3 | 7 | 10 | | 掷实心球 | 投掷 | 过顶投掷 | 5 | 7 | 11 | | 引体向上 | 力量 | 拉力模式 | 4 | 9 | 13 | 覆盖了 **跑、跳、投、协调、力量** 五大基础动作模式。 ## 为什么需要？ 具身智能公司面临与文本大模型相差 **2 万倍的数据剪刀差**。高质量、带专家标注的人类运动数据是机器人领域最稀缺的资源。体育教师拥有数十年的动作质量判断、错误模式识别和纠偏策略知识——但这些知识锁在人脑中，不在训练数据集里。 这个数据集解锁这些知识。 ## 数据结构 ### 第一层：Sport（运动项目） | 字段 | 类型 | 说明 | |------|------|------| | `sportId` | string | 唯一标识，如 `"50m-sprint"` | | `name` | string | 项目中文名称 | | `category` | enum | `track` / `jump` / `throw` / `coordination` / `strength` | | `movementPattern` | enum | 基础动作模式 | | `applicableGrades` | string[] | 适用年级 | | `equipment` | string[] | 所需器材 | | `venue` | string | 场地要求 | | `skillUnits` | SkillUnit[] | 按执行顺序排列的技能单元 | | `teachingProgression` | TeachingPhase[] | 教学梯度 | | `assessmentRules` | AssessmentRule[] | 评价规则 | ### 第二层：SkillUnit（技能单元） | 字段 | 类型 | 说明 | |------|------|------| | `unitId` | string | 唯一标识 | | `name` | string | 阶段中文名称 | | `order` | number | 执行顺序 | | `durationMs` | number | 典型持续时间（毫秒） | | `description` | string | 理想动作描述 | | `keyJoints` | object | 关键关节角度（含量化范围） | | `forceSequence` | array | 发力序列（含时机标注） | | `centerOfGravity` | object | 重心轨迹描述 | | `keyVisualFrames` | array | 关键视觉帧（用于视频标注） | | `commonErrors` | array | 常见错误模式（含视觉特征） | ### 第三层：AssessmentRule（评价规则） | 字段 | 类型 | 说明 | |------|------|------| | `ruleId` | string | 规则唯一标识 | | `skillUnitId` | string | 关联的技能单元 | | `fullScoreStandard` | object | 满分标准（含量化阈值） | | `deductionPoints` | array | 扣分项（含量化触发条件） | | `correctionStrategy` | object | 纠偏策略（练习+口令+手法） | ## 快速开始 ### Python ```python from modelscope.msdatasets import MsDataset dataset = MsDataset.load('lixu198808/sports-motion-data') print(dataset['train'][0]['name']) # "50米跑" ``` ### TypeScript / JavaScript ```ts const sprint = await fetch( 'https://www.modelscope.cn/datasets/lixu198808/sports-motion-data/resolve/main/data/50m-sprint.json' ).then(r => r.json()); console.log(sprint.skillUnits[0].name); // "起跑" ``` ## 应用场景 - **VLA 模型训练**：为机器人学习管线提供结构化动作数据 - **AI 体育评分**：构建自动化动作规范性评估系统 - **机器人自我纠错**：训练机器人检测并修正自身动作错误 - **体育教育科技**：驱动 AI 体育教学助手 - **运动科学研究**：为生物力学和动作学习研究提供标准化数据集 ## 数据规模 ``` 20 个技能单元 · 42 个错误模式 · 44 个练习方法 · 5 个评分规则 覆盖 跑 · 跳 · 投 · 协调 · 力量 五大动作模式 ``` ## 引用 ```bibtex @misc{sports-motion-data-2026, author = {PE Teacher Community}, title = {Sports Motion Teaching Data Structure}, year = {2026}, publisher = {ModelScope}, howpublished = {\url{https://www.modelscope.cn/datasets/lixu198808/sports-motion-data}}, } ``` ## 商业合作 商业授权、定制数据集或咨询服务，请联系： 📧 **邮箱：[e-mail]** --- ## 许可证 MIT — 详见 [LICENSE](https://github.com/lixu198808/sports-motion-data/blob/main/LICENSE)