WalkE3 Dataset

WalkE3数据集包含人形机器人运动捕捉数据，采用CSV格式。每个CSV文件记录了机器人每一帧的运动状态，包括：根位置（世界坐标系中的3D位置x, y, z）、根方向（四元数表示x, y, z, w）以及21个自由度的关节角度。数据集包含多种运动类型，如行走运动（walk_s1_1.csv）和跑步运动（run_s1_1.csv）等。

The WalkE3 dataset comprises motion capture data of humanoid robots, stored in CSV format. Each CSV file documents the robot's motion state for each frame, including: root position (3D coordinates x, y, z in the world coordinate system), root orientation (represented by a quaternion with components x, y, z, w), and joint angles with 21 degrees of freedom. The dataset includes diverse motion categories, such as walking motion (e.g., walk_s1_1.csv) and running motion (e.g., run_s1_1.csv).

原始信息汇总

WalkE3 数据集概述

数据集简介

WalkE3 数据集包含人形机器人的运动捕捉数据，格式为 CSV。每个 CSV 文件记录了机器人每一帧的运动状态，主要包括：

• 根位置：世界坐标系下的三维位置 (x, y, z)
• 根朝向：四元数表示 (x, y, z, w)
• 关节角度：21 个自由度的关节角度

数据集包含多种运动类型，例如：

• 行走运动 (walk_s1_1.csv)
• 奔跑运动 (run_s1_1.csv)
• 其他运动模式

数据集结构

CSV 文件格式

每个 CSV 文件包含以下结构的运动数据：

行格式: [root_pos_x, root_pos_y, root_pos_z, quat_x, quat_y, quat_z, quat_w, joint_1, joint_2, ..., joint_21]

数据列（总计 28 列）：

• 第 0-2 列：根位置 (x, y, z) [单位：米]
• 第 3-6 列：根四元数 (x, y, z, w)
• 第 7-27 列：21 个自由度的关节角度 [单位：弧度]

目录结构

WalkE3_Dateset/ ├── data/ │ ├── data/ # 原始 CSV 运动数据 │ │ ├── walk_s1_1.csv # 行走运动数据 │ │ └── run_s1_1.csv # 奔跑运动数据 │ └── txt/ # 处理后的 JSON 运动文件 │ ├── walk_s1_1.txt │ ├── walk_s1_1b.txt │ ├── run_s1_1.txt │ └── run_s1_1b.txt ├── robot_models/ │ └── e3/ # E3 人形机器人模型 │ ├── e3.xml # 机器人模型文件 │ ├── e3.urdf # URDF 模型文件 │ ├── scene.xml # 场景配置文件 │ ├── scene_terrain.xml # 地形场景配置文件 │ └── meshes/ # 3D 网格文件 ├── csv2txt.py # CSV 转 TXT 转换器（正向） ├── csv2txt_back.py # CSV 转 TXT 转换器（反向） ├── visualize_txt.py # MuJoCo 可视化播放器 └── README.md # 说明文件

核心功能

CSV 转 TXT 转换

• 将 CSV 运动数据转换为 MuJoCo 兼容的 JSON 格式
• 支持帧率转换（下采样）
• 自动数据验证和错误处理

本体坐标系速度计算

• 计算本体坐标系下的根线速度
• 计算本体坐标系下的根角速度
• 计算关节速度
• 使用四元数旋转将世界坐标系速度转换到本体坐标系

运动数据可视化

• 绘制根线速度曲线 (vx, vy, vz)
• 绘制根角速度曲线 (wx, wy, wz)
• 转换过程中的实时可视化

MuJoCo 回放

• 在 MuJoCo 仿真中加载并播放运动数据
• 摄像头跟踪机器人骨盆
• 具有适当帧率控制的实时可视化
• 支持多个运动文件播放

脚本概述

1. csv2txt.py - 正向运动转换器

按时间顺序将 CSV 运动数据转换为 TXT 格式。

2. csv2txt_back.py - 反向运动转换器

按反向时间顺序将 CSV 运动数据转换为 TXT 格式。

3. visualize_txt.py - MuJoCo 可视化播放器

在 MuJoCo 仿真环境中回放运动数据。

输出格式

TXT 文件结构（JSON 格式）

json { "LoopMode": "Wrap", "FrameDuration": 0.033333, "EnableCycleOffsetPosition": true, "EnableCycleOffsetRotation": true, "MotionWeight": 0.5, "Frames": [ [/* 帧 0 数据：55 个值 /], [/ 帧 1 数据：55 个值 */], ... ] }

字段说明：

• LoopMode: "Wrap" - 运动循环播放
• FrameDuration: 每帧时间（秒），等于 1/fps
• EnableCycleOffsetPosition: 启用循环位置偏移
• EnableCycleOffsetRotation: 启用循环旋转偏移
• MotionWeight: 运动混合权重 (0.0-1.0)
• Frames: 帧数据数组，每帧包含 55 个值

输出帧格式

输出 TXT 文件中的每一帧包含：

[ root_pos_x, root_pos_y, root_pos_z, # 位置 (3) quat_x, quat_y, quat_z, quat_w, # 朝向 (4) joint_1, joint_2, ..., joint_21, # 关节角度 (21) root_vel_x, root_vel_y, root_vel_z, # 本体坐标系线速度 (3) ang_vel_x, ang_vel_y, ang_vel_z, # 本体坐标系角速度 (3) joint_vel_1, ..., joint_vel_21 # 关节速度 (21) ] 总计：每帧 55 个值

技术要求

• Python: 3.7+
• NumPy: 用于数值计算
• Matplotlib: 用于绘制速度曲线
• SciPy: 用于四元数操作 (scipy.spatial.transform)
• MuJoCo: 用于机器人仿真和可视化
• JSON: Python 内置库

搜集汇总

数据集介绍

构建方式

在仿人机器人运动控制领域，高质量的运动捕捉数据对于算法验证与模型训练至关重要。WalkE3数据集的构建源于对真实机器人运动状态的系统化采集，其原始数据以CSV格式记录每一帧的运动状态，涵盖根节点在世界坐标系下的三维位置与四元数朝向，以及21个自由度的关节角度。通过精心设计的处理流程，该数据集将原始时序数据转化为适用于MuJoCo仿真环境的标准化格式，并利用差分算法计算机体坐标系下的线速度与角速度，确保了运动学信息的完整性与物理一致性。

特点

WalkE3数据集的核心特点体现在其多模态的运动类型覆盖与精细的数据结构设计。数据集不仅包含行走、奔跑等多种步态模式，更通过严格的坐标转换将世界坐标系下的运动参数映射至机器人机体坐标系，从而提供可直接用于控制算法开发的机体状态信息。每一帧数据均封装了55维的状态向量，融合了位置、朝向、关节角度及其对应速度，这种一体化的数据结构显著简化了运动分析与仿真复现的流程。

使用方法

为便于研究者高效利用该数据集，项目提供了一套完整的工具链。用户可通过附带的Python脚本将CSV格式的原始运动数据转换为MuJoCo兼容的JSON格式，转换过程支持帧率调整与数据验证。随后，利用可视化脚本可在MuJoCo仿真环境中实时回放运动序列，并观察机体速度曲线。这种端到端的处理流程使得从原始数据到仿真验证的过渡极为顺畅，有力支持了仿人机器人运动生成与强化学习等研究任务。

背景与挑战

背景概述

在仿人机器人运动控制与模拟领域，高质量的运动数据对于算法训练与性能验证至关重要。WalkE3数据集应运而生，旨在为研究者提供结构化的仿人机器人运动捕捉数据。该数据集以CSV格式记录了机器人根位置、姿态四元数及21个关节角度等关键运动状态，涵盖了行走、奔跑等多种步态模式。其配套工具支持将原始数据转换为MuJoCo模拟器兼容的JSON格式，并计算机体坐标系下的速度信息，为运动生成、模仿学习及强化学习等研究提供了标准化的数据基础与可视化验证手段。

当前挑战

该数据集致力于解决仿人机器人运动生成与模仿学习中的核心挑战，即如何获取精确、连续且物理可行的运动轨迹数据。在构建过程中，挑战主要集中于运动数据的精确对齐与坐标转换。原始运动捕捉数据需从世界坐标系转换至随机器人姿态变化的机体坐标系，这一过程涉及四元数微分与速度计算，对数值稳定性与计算精度提出了较高要求。此外，确保数据在转换与降采样过程中保持时间连续性，并过滤无效帧以避免模拟失真，同样是数据集构建的关键技术难点。

常用场景

经典使用场景

在仿人机器人运动控制领域，WalkE3数据集为研究人员提供了丰富的运动捕捉数据，其经典使用场景在于运动规划与模仿学习的算法验证。通过将CSV格式的原始运动数据转换为MuJoCo兼容的JSON格式，研究者能够在高保真仿真环境中复现行走、奔跑等多种运动模式，进而评估控制策略的稳定性和自然度。该数据集支持正向与反向时间序列处理，为生成多样化运动轨迹和逆向运动学分析提供了便利，成为算法开发与性能测试的重要基准。

解决学术问题

WalkE3数据集有效应对了仿人机器人运动生成中的若干核心学术挑战。它通过提供精确的根位置、姿态四元数及关节角度数据，解决了运动动力学建模中状态估计不准确的问题。数据集内嵌的体坐标系速度计算功能，助力研究者深入分析运动过程中的线性与角速度变化，为稳定性控制和能量优化研究奠定数据基础。其标准化格式与仿真兼容性，显著降低了运动数据预处理的门槛，推动了基于数据的运动合成方法的发展。

衍生相关工作

围绕WalkE3数据集，学术界衍生出一系列经典研究工作，主要集中在运动模仿与强化学习领域。例如，基于该数据集生成的标准化运动序列，研究者开发了深度逆运动学网络，实现了从运动捕捉数据到关节空间轨迹的高效映射。此外，结合其体坐标系速度信息，多项工作探索了基于模型的预测控制策略，用于提升动态运动的鲁棒性。这些研究不仅拓展了数据集的利用维度，也推动了仿人机器人运动智能的理论进展与工程实践。