Bump-em Dataset

该数据集包含在扰动恢复任务中收集的观察和动作数据。观察数据由模型中10个身体的以下量组成，加上一个扰动信号，产生一个181维的观察：- 3D身体位置（3 * 10个值）- 3x3旋转矩阵（9 * 10个值）- 6D线性和角速度（6 * 10个值）- 扰动信号（1个值）。动作是25个自由度的期望关节位置。数据以50Hz的频率收集。

This dataset contains observation and action data collected during a perturbation recovery task. The observation data consists of the following quantities for 10 body segments in the model, plus one perturbation signal, resulting in an 181-dimensional observation:
- 3D body positions (3 values × 10 segments)
- 3×3 rotation matrices (9 values × 10 segments)
- 6-dimensional linear and angular velocities (6 values × 10 segments)
- Perturbation signal (1 value)
The actions are desired joint positions for 25 degrees of freedom. The data is collected at a sampling frequency of 50 Hz.

原始信息汇总

PDP数据集概述

数据集基本信息

• 数据集名称: Bump-em
• 数据集用途: 用于扰动恢复任务的观察和动作数据收集
• 数据维度: 181维
• 数据频率: 50Hz

数据集内容

• 观察数据:
  • 3D身体位置 (3 * 10个值)
  • 3x3旋转矩阵 (9 * 10个值)
  • 6D线性和角速度 (6 * 10个值)
  • 扰动信号 (1个值)
• 动作数据: 25个自由度的期望关节位置

数据集获取与使用

• 下载地址: Bump-em数据集下载链接
• 数据集存放路径: data/目录
• 数据集解压命令: bash tar -xzvf /path/to/dataset.tar.gz -C data/

训练与评估

• 训练脚本: scripts/train_bumpem.sh
• 评估脚本: scripts/eval_bumpem.sh
• 评估结果示例: 评估结果会生成一个GIF动画，展示扰动恢复的效果

参数调整

• 可调整参数:
  • 扰动力的大小（作为骨架体重的百分比）
  • 扰动开始的时间
  • 扰动的方向
• 参数调整示例: 在scripts/eval_bumpem.sh中提供了参数调整的示例

依赖环境

• Python版本: 3.8
• 主要依赖库: PyTorch, torchvision, torchaudio
• 环境设置命令: bash conda create -n pdp python=3.8 conda activate pdp conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia pip install -e .

相关资源

• 论文链接: Paper
• 项目主页: Project Site
• 实验室主页: The Movement Lab

搜集汇总

数据集介绍

构建方式

Bump-em数据集的构建基于扰动恢复任务，通过收集模型中的10个身体的观测数据和动作数据来实现。观测数据包括三维身体位置、3x3旋转矩阵、6维线性和角速度以及扰动信号，共计181维。动作数据则包括25个自由度的期望关节位置。数据采集频率为50Hz，确保了数据的精确性和实时性。

特点

Bump-em数据集的特点在于其高维度的观测数据和精确的动作记录。观测数据不仅涵盖了身体的位置和旋转信息，还包括了线性和角速度，以及一个扰动信号，这些数据共同构成了一个181维的观测向量。动作数据则详细记录了25个自由度的关节位置，为研究提供了丰富的信息。数据的高频率采集（50Hz）进一步增强了数据的实用性和研究价值。

使用方法

使用Bump-em数据集时，首先需要从指定链接下载数据集并解压至`data/`目录。随后，通过运行`scripts/train_bumpem.sh`脚本来训练策略，训练过程中可以通过修改`cfg/bumpem.yaml`文件中的参数来调整训练设置。训练完成后，可通过运行`scripts/eval_bumpem.sh`脚本来评估策略，评估过程中可以调整扰动的幅度、开始时间和方向等参数，以观察策略的表现。

背景与挑战

背景概述

Bump-em数据集由斯坦福大学The Movement Lab团队于2023年创建，旨在支持扰动恢复任务的研究。该数据集的核心研究问题在于如何通过机器学习和控制策略，使机器人或模拟人体模型在受到外部扰动后能够迅速恢复平衡。数据集包含了10个身体模型的观测数据，包括3D位置、旋转矩阵、线性和角速度，以及扰动信号，共计181维的观测向量。动作数据则由25个自由度的关节位置组成，采样频率为50Hz。该数据集为机器人学、运动控制和强化学习领域的研究提供了重要的实验基础，推动了相关算法在复杂动态环境中的应用。

当前挑战

Bump-em数据集在解决扰动恢复任务时面临多重挑战。首先，扰动恢复任务本身具有高度复杂性，涉及多自由度的动态系统控制，如何在短时间内生成有效的恢复策略是一个关键问题。其次，数据集的构建过程中，如何精确捕捉和模拟外部扰动对系统的影响，以及如何确保观测数据的多样性和代表性，都是技术上的难点。此外，数据的高维特性对模型的训练和泛化能力提出了更高的要求，如何在有限的计算资源下高效处理和分析这些数据，也是研究人员需要克服的挑战。

常用场景

经典使用场景

Bump-em数据集在机器人学和运动控制领域中被广泛用于研究扰动恢复任务。该数据集通过记录10个身体模型的三维位置、旋转矩阵、线性和角速度以及扰动信号，为研究人员提供了一个高维度的观测空间。这些数据被用于训练和评估机器人策略，特别是在面对外部扰动时的恢复能力。通过模拟不同的扰动参数，如力的大小、开始时间和方向，研究人员能够深入分析机器人在复杂环境中的动态响应。

衍生相关工作

Bump-em数据集衍生了一系列经典的研究工作，特别是在基于深度学习的运动控制策略方面。许多研究利用该数据集开发了先进的扰动恢复算法，如基于扩散策略的模型。这些工作不仅验证了数据集的有效性，还推动了机器人控制领域的创新。此外，该数据集还被用于多智能体系统和强化学习的研究，进一步扩展了其应用范围。这些衍生工作为机器人学的发展提供了丰富的理论和实践基础。

数据集最近研究

最新研究方向

近年来，Bump-em数据集在机器人学和运动控制领域引起了广泛关注。该数据集专注于扰动恢复任务，通过记录三维身体位置、旋转矩阵、线性和角速度等多维数据，为研究机器人或生物体在受到外部扰动后的动态响应提供了丰富的信息。结合深度学习技术，尤其是基于扩散策略的模型，研究者能够更精确地模拟和预测复杂环境下的运动行为。这一研究方向不仅推动了机器人自主控制系统的进步，还为生物力学和康复工程等领域提供了新的研究工具。随着数据集的应用扩展，其在智能体行为建模和实时控制优化中的潜力逐渐显现，成为该领域的前沿热点之一。