Hand Palm Motions (HPM) dataset

本研究介绍了KU Leuven研究机构创建的Hand Palm Motions (HPM)数据集，该数据集包含手部掌部运动的3D时空轨迹，旨在用于稳健的手部掌部运动手势识别。数据集由35个基本手势记录组成，通过人工变换和扰动扩展到420个试验，以模拟不同的上下文变化。这些手势运动易于执行，且设计时不依赖特定的坐标参考框架或方向，使得数据集在不变性描述符方法研究中具有重要价值。This study presents the Hand Palm Motions (HPM) dataset developed by the KU Leuven research institute. This dataset contains 3D spatiotemporal trajectories of hand palm motions, and is intended for robust hand palm motion gesture recognition. The dataset consists of 35 basic gesture recordings, which are expanded to 420 trials via artificial transformations and perturbations to simulate diverse contextual variations. These gesture motions are easy to perform and designed without relying on specific coordinate reference frames or orientations, making the dataset highly valuable for research on invariance descriptor-based methods.

搜集汇总

数据集介绍

构建方式

Hand Palm Motions (HPM) 数据集的构建基于HTC Vive运动捕捉系统，旨在捕捉人类手掌的三维时空轨迹。数据集包含七种手势，每种手势设计为不依赖于特定参考框架或方向线索。为了增强数据集的挑战性，研究人员通过人工变换和扰动原始记录，引入了参考框架、执行速度和数据遮挡的变化。具体而言，数据集通过12种不同的上下文进行扩展，包括原始记录、时间轴缩放、部分轨迹数据以及参考框架的变换。这些变换通过齐次矩阵的右乘或左乘实现，模拟了不同工作环境下的手势变化。

特点

HPM 数据集的特点在于其对手掌运动的全面捕捉，涵盖了旋转、平移及其组合动作。数据集中的手势设计简单易行，确保用户的可操作性，同时通过形状信息（如直线或圆形平移、纯旋转、螺旋运动等）进行区分，避免了对特定参考框架的依赖。此外，数据集通过引入多种上下文变化，如参考框架的变换、执行速度的变化以及数据遮挡，提供了丰富的挑战性场景，能够有效测试手势识别算法在复杂环境下的鲁棒性。

使用方法

HPM 数据集的使用方法主要包括手势的离线建模和在线识别。离线建模阶段，研究人员使用BILTS+不变描述符对手势进行建模，生成手势模型。在线识别阶段，实时捕捉的手掌运动轨迹通过BILTS+描述符计算，并与预先生成的手势模型进行相似性匹配。通过1-NN分类器，系统能够识别出最相似的手势，并将其映射到机器人控制指令中。该方法的优势在于其不依赖于参考框架的校准，能够在不同环境下实现鲁棒的手势识别，适用于实时人机交互场景。

背景与挑战

背景概述

Hand Palm Motions (HPM) 数据集由比利时鲁汶大学机械工程系的Arno Verduyn、Maxim Vochten和Joris De Schutter等人于2025年创建，旨在解决人机交互中手势识别的关键问题。该数据集专注于手掌运动手势的识别，特别设计为不依赖于特定参考系或方向线索，从而在参考系变化的情况下仍能保持手势识别的鲁棒性。HPM数据集的创建推动了机器人对动态手势的理解，尤其是在工业环境中，自然且可靠的人机交互对协作机器人的发展至关重要。该数据集通过引入不变轨迹描述符，显著提升了手势识别的泛化能力，并在实时操作中展示了高达92.3%的F1分数，为人机交互领域的研究提供了重要的数据支持。

当前挑战

HPM数据集在构建和应用过程中面临多重挑战。首先，手势识别的核心问题在于参考系的变化，包括世界参考系和身体参考系的不一致性，这会导致运动轨迹坐标的显著差异，从而影响识别的准确性。其次，数据集的构建需要克服执行速度变化、数据遮挡和不完整数据等情境变化带来的复杂性。此外，尽管不变描述符方法在理论上能够消除参考系偏差，但其在实际应用中仍面临计算复杂性和噪声敏感性的挑战，尤其是在局部奇异点附近。HPM数据集通过引入人工变换和扰动，进一步增加了识别的难度，要求算法在多种情境下均能保持高鲁棒性。这些挑战不仅推动了手势识别技术的发展，也为未来研究提供了丰富的实验场景。

常用场景

经典使用场景

Hand Palm Motions (HPM) 数据集最经典的使用场景是用于机器人手势识别领域，特别是在人机协作（HRI）中。该数据集通过记录手掌的3D时空轨迹，帮助机器人识别动态手势，如手掌的平移和旋转动作。这些手势被设计为不依赖于特定的参考框架或方向提示，从而能够在不同的工作环境和参考框架变化下保持识别的高效性。

实际应用

HPM 数据集在实际应用中主要用于工业环境中的人机协作任务。例如，通过实时识别手掌动作，机器人可以执行精确的抓取、放置和堆叠任务。数据集中的手势被用于控制机械臂的实时运动，展示了其在动态环境中的高识别准确性和鲁棒性。这种应用不仅提高了生产效率，还减少了因参考框架变化带来的校准需求，简化了系统部署。

衍生相关工作

HPM 数据集衍生了许多相关经典工作，特别是在不变轨迹描述符的研究领域。基于该数据集，研究者提出了多种不变描述符方法，如BILTS+，该方法在参考框架变化下表现出色，并被用于实时手势识别。此外，HPM 数据集还推动了基于不变描述符的机器学习模型的发展，这些模型能够在不依赖大规模训练数据的情况下，实现高精度的手势识别。