AMASS

AMASS数据集由马克斯·普朗克智能系统研究所创建，包含了从真实人类中捕获的大量3D人体运动数据。这些数据通常与场景交互，并伴有描述演员所执行动作的文本。数据集的目的是学习从高级输入（如文本描述、关键帧或路径点）到全身人体运动的映射。AMASS数据集为学习人体运动的低级细节提供了高效的数据，并且可以用于训练生成自然人体运动的方法。The AMASS dataset was created by the Max Planck Institute for Intelligent Systems, and encompasses a large collection of 3D human motion data captured from real human participants. These data usually involve interactions with real-world scenes, and are supplemented with text annotations describing the actions performed by the actors involved. The primary objective of this dataset is to enable the learning of mappings from high-level inputs (e.g., text descriptions, keyframes, or waypoints) to full-body human motions. The AMASS dataset provides valuable, efficient data for researching the low-level details of human movement, and can be used to train methods that generate natural, realistic human motions.

原始信息汇总

AMASS数据集概述

数据集名称

AMASS: Archive of Motion Capture as Surface Shapes

作者

Naureen Mahmood, Nima Ghorbani, Nikolaus F. Troje, Gerard Pons-Moll, Michael J. Black

发表会议

ICCV 2019

数据集简介

AMASS是一个大型人体运动数据库，通过将不同的基于光学标记的运动捕捉数据集表示在一个共同的框架和参数化中，实现了它们的统一。该数据集可直接用于动画、可视化以及为深度学习生成训练数据。

数据集特点

• 统一了15个不同的基于光学标记的运动捕捉数据集
• 使用新方法MoSh++将运动捕捉数据转换为由装配身体模型表示的逼真3D人体网格
• 采用SMPL身体模型，提供标准骨骼表示和完整的装配表面网格
• 适用于任意标记集，同时恢复软组织动力学和逼真的手部运动
• 数据集包含超过40小时的运动数据，涵盖300多名受试者，超过11000个运动序列

下载与使用

• 提供每个运动捕捉序列对应的身体模型参数
• 包含可视化数据的教程代码和用于深度学习任务的基本工具
• 使用前需注册

引用格式

bibtex @conference{AMASS:ICCV:2019, title = {{AMASS}: Archive of Motion Capture as Surface Shapes}, author = {Mahmood, Naureen and Ghorbani, Nima and Troje, Nikolaus F. and Pons-Moll, Gerard and Black, Michael J.}, booktitle = {International Conference on Computer Vision}, pages = {5442--5451}, month = oct, year = {2019}, month_numeric = {10} }

贡献与联系方式

• 鼓励研究社区贡献运动捕捉数据
• 联系邮箱：[e-mail]

搜集汇总

数据集介绍

构建方式

AMASS数据集的构建基于大规模运动捕捉技术，整合了来自多个实验室的MoCap数据，通过统一参数化模型SMPL-X将原始标记点数据转换为连续的三维人体表面序列。该数据集采用标准化处理流程，对原始动作捕捉数据进行时间对齐、噪声滤除和拓扑一致性校验，确保运动序列的时空连贯性。通过多视角相机系统与惯性测量单元融合，捕获了包括日常行为、体育活动和社交互动在内的多样化人体运动模式。

特点

AMASS数据集的核心特征在于其前所未有的规模与多样性，涵盖超过40小时的精细运动序列，包含上万种自然人体动作。数据集采用参数化人体模型统一表征，支持运动数据的跨数据集兼容性与可扩展性。其运动序列包含完整的身体动力学细节，如关节角度变化、重心转移和足部接触状态，为运动生成研究提供高保真基础。数据标注涵盖动作类别、场景上下文和物理交互标签，支持多模态任务研究。

使用方法

该数据集典型应用于训练数据驱动的运动生成模型，如条件变分自编码器或扩散模型，通过输入文本描述、关键帧或轨迹点生成连续人体运动。研究人员可提取骨骼关节旋转、全局位移和运动语义特征作为模型输入或监督信号。数据集支持运动重建、动作插值、行为预测等任务，使用时需注意划分训练验证集以避免过拟合。其标准化数据格式便于与物理仿真平台集成，用于强化学习智能体的运动技能训练。

背景与挑战

背景概述

AMASS数据集作为三维人体运动捕捉领域的重要资源，由马克斯·普朗克智能系统研究所等机构于2019年联合创建。该数据集整合了多个现有运动捕捉数据库，通过统一的SMPL人体模型参数化表示，解决了不同数据集格式异构的问题。其核心研究目标在于构建大规模、高质量的人体运动序列库，为人体运动分析、生成与重建提供数据基础。AMASS通过标准化处理流程，将光学标记点数据转化为连续的表面对应运动序列，显著提升了运动数据的可用性与泛化能力，对计算机视觉、图形学及机器人学等领域产生深远影响。

当前挑战

AMASS数据集面临的挑战主要体现在两方面：在领域问题层面，其需解决从稀疏运动捕捉标记点恢复自然人体运动的精度问题，包括运动细节重建、运动连续性保持以及不同动作类别间的平滑过渡。构建过程中的挑战则源于多源数据融合的复杂性，需统一不同采集设备、标记点配置与采样频率的异构数据；同时需处理噪声标记点数据并保证运动序列的物理合理性，避免出现关节穿透、足部滑动等异常现象。此外，数据规模的扩展与标注一致性维护亦是持续面临的挑战。

常用场景

经典使用场景

在计算机视觉与人体运动生成领域，AMASS数据集作为大规模运动捕捉档案，为构建数据驱动的运动先验模型提供了核心支持。该数据集通过整合多个实验室的MoCap数据，形成了统一参数化表征的运动序列库，其经典应用场景体现在为生成式模型提供高质量训练基础。例如在CLOPS框架中，研究者利用AMASS训练条件变分自编码器，使模型能够学习人类运动的低层动力学特征，从而生成符合物理规律的自然行走、转向等动作。

解决学术问题

AMASS数据集有效解决了运动生成领域缺乏标准化大规模数据的问题，为三维人体运动建模提供了结构化基准。其通过SMPL系列身体模型统一不同来源的运动数据，显著降低了运动重定向的复杂度。在学术研究中，该数据集支持了从文本描述生成运动、基于场景约束的运动合成等关键问题的探索，推动了运动生成模型从孤立动作建模向场景感知交互的范式转变。这种标准化数据架构对运动生成领域的可复现性与可比性产生了深远影响。

衍生相关工作

AMASS数据集催生了多项里程碑式研究，如BABEL项目通过添加语义标签扩展其动作分类能力，WANDR框架实现基于意图引导的运动生成。在场景交互方面，StochasticScene-AwareMotionPrediction工作结合AMASS与场景几何信息，生成符合物理约束的交互动作。近期CLOPS研究进一步创新地利用该数据集解耦运动技能学习与视觉感知控制，为具身智能体的自主决策提供了新范式。这些衍生工作共同推动了三维人体运动生成从孤立动作建模向多模态交互的演进。