| title | Motion Data Quality（动作数据质量维度） | ||||
|---|---|---|---|---|---|
| type | concept | ||||
| status | complete | ||||
| created | 2026-06-19 | ||||
| updated | 2026-07-23 | ||||
| summary | 评估人形参考运动 / 演示数据可用性的四个轴——物理可行性、接触一致性、形态差距（morphology gap）、规模与多样性，及其与重定向必要性的因果关系。 | ||||
| tags |
|
||||
| related |
|
把一段参考运动 / 演示数据「能不能直接喂给人形策略训练」拆成四个可独立评估的质量轴。它回答的不是「数据多不多」，而是「数据像不像机器人能物理执行的东西」——这正是 Motion Retargeting 是否可省略的判据。
一句话：动作数据质量 = 物理可行性 × 接触一致性 ×（1 − 形态差距）× 规模多样性；任意一轴塌缩，下游 RL/IL 都会以「姿态像但执行不了」的方式失败。
| 缩写 | 英文全称 | 简要说明 |
|---|---|---|
| MoCap | Motion Capture | 动作捕捉，参考运动主要来源 |
| Morphology Gap | Morphology Gap | 源（人/动物）与目标机器人在骨架/比例/动力学上的差距 |
| SMPL | Skinned Multi-Person Linear Model | 常见人体参数化模型与重定向源 |
| GRF | Ground Reaction Force | 地面反作用力，接触可行性核心量 |
| WBT | Whole-Body Tracking | 全身跟踪训练，重定向产物的主要消费侧 |
| IL | Imitation Learning | 模仿学习，演示数据的主要消费侧 |
源数据中的运动是否满足目标机体的动力学约束：质心加速度、力矩上限、摩擦锥、零力矩点（ZMP/DCM）是否在支撑域内。
- 典型病灶：纯光学 MoCap（如 AMASS）只记录运动学轨迹，不含力 / 接触信息；播放给机器人会出现穿地、滑步、需要不存在的力矩。
- 判据：在物理仿真里用 PD/WBC 跟踪能否不摔倒、力矩是否饱和。
- 补救：物理一致化层（QP / RL fine-tune），或直接选用已过滤的数据集（PHUMA 的 PhySINK 管线即专门做这一步）。
「哪只脚 / 哪只手何时接触」的相位标注是否与轨迹自洽。
- 典型病灶：接触相位缺失或与足端高度矛盾 → 重定向后机器人飞起或穿地；人–物交互（OMOMO）中手与物体的接触错配会让 loco-manipulation 策略学到错误抓握时机。
- 判据：足端 / 手端在标注接触段的法向距离与速度是否近零。
- 关系：接触一致性是物理可行性的前置条件——接触错了，再多力矩修正也救不回来。
源骨架与目标机器人在拓扑、肢体比例、关节限位、DoF 上的差距。
- 典型病灶：人有 ~23 主关节、连续手指；G1 为 43 DoF 且无手指 → 直接关节映射会越限、末端轨迹偏差大。
- 判据：源/目标关节对应关系是否唯一、ROM 重叠率、末端可达性。
- 关系：形态差距越大，重定向越不可省略；差距小到可忽略时（如已是同型机器人执行数据 Humanoid Everyday）才可跳过重定向直接做 IL。
数据量、动作种类、地形/物体/速度覆盖是否支撑泛化。
- 典型病灶：小集（如 LaFAN1 ~4.6 h）做基准/recovery 原型可以，但单独支撑通用策略易过拟合；人体视频规模大、却常标注/3D 信息弱，需上游重建补足。
- 判据：动作类目覆盖、长尾占比、与目标任务分布的重叠。
- 关系：规模可放大其余三轴的收益，但不能替代它们——大而不可行的数据只会更系统地污染策略（参见 Embodied Scaling Laws）。
形态差距大 ──► 必须重定向（几何映射）
接触不一致 ──► 重定向后仍不可执行 ──► 需接触修复 + 物理一致化
物理不可行 ──► 物理过滤 / RL fine-tune（PhySINK、ReActor）
规模/多样性不足 ──► 上游补数据（视频重建、生成式增广）或降低任务野心
四轴并非独立打分相加，而是串联的门：前一轴不过，后一轴的投入大多浪费。因此选型时按 形态差距 → 接触 → 物理 → 规模 的顺序体检，比单看「数据有多大」更能预测训练成败。
| 质量轴 | AMASS | LaFAN1 | OMOMO | PHUMA | Humanoid Everyday |
|---|---|---|---|---|---|
| 物理可行性 | 弱（纯运动学） | 弱 | 弱 | 强（已过滤） | 强（真机执行） |
| 接触一致性 | 中（需补相位） | 中 | 需对齐人–物 | 强 | 强 |
| 形态差距 | 大（人→机器人） | 大 | 大 | 已消除（G1/H1-2） | 已消除 |
| 规模多样性 | 强 | 弱 | 中（HOI 专） | 强 | 中（操作专） |
详见 人形参考运动与操作数据集选型。
- 「数据越多越好」：规模不能补物理可行性，大而不可行的库会系统性污染策略。
- 「重定向后就物理可行了」：几何重定向只缩小形态差距，接触与力矩仍需动力学一致化层。
- 「人体视频规模碾压 MoCap」：视频量大但 3D / 接触信息弱，需上游重建，否则接触一致性轴塌缩。
- 「真机数据无需体检」：真机执行数据天然物理可行，但仍受任务分布偏窄（规模多样性轴）限制。
- 「健身 exercise dataset ≈ 参考运动」：Exercises Dataset 一类目录只有标签与 GIF，没有可执行状态轨迹——四轴中物理/接触/形态差距均不可评估为「通过」。
- Motion Retargeting — 形态差距驱动的几何映射层，本页四轴的主要「修复手段」入口
- Motion Retargeting Pipeline — 源归一 → 骨架对齐 → IK → 物理筛选的端到端工程链路
- 人形参考运动与操作数据集选型 — 五套数据集在四质量轴上的对照
- 人形训练数据管线选型指南 — 从原始来源到训练输入的端到端决策树（本页是其质量评估子模块）
- Whole-Body Tracking Pipeline — 重定向产物作训练数据的中段消费侧
- Imitation Learning — 形态差距可忽略时直接消费演示数据的范式
- Embodied Scaling Laws — 规模多样性轴的放大效应与边界
- Embodied Data Cleaning — 失败/低质轨迹过滤的工程实践
- Exercises Dataset — 健身目录/GIF；过不了四轴体检的对照
先看形态差距决定要不要重定向，再过接触与物理两道可行性门，最后才谈规模多样性——四轴串联，缺一轴则下游策略「姿态像而执行废」。