Kimodo-SOMA-RP-v1.1数据集解析：700小时动作捕捉数据的价值

Kimodo-SOMA-RP-v1.1数据集解析：700小时动作捕捉数据的价值

【免费下载链接】Kimodo-SOMA-RP-v1.1项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/Kimodo-SOMA-RP-v1.1

Kimodo-SOMA-RP-v1.1是NVIDIA推出的基于SOMA骨骼的3D动作生成模型，其核心优势源于高质量的Bones Rigplay动作捕捉数据集。该数据集包含700小时的人类运动数据，通过传感器自动采集与人工标注结合的方式构建，为动画创作、机器人仿真等领域提供了强大的数据支持。

数据集核心价值：700小时动作捕捉的独特优势

Bones Rigplay数据集作为Kimodo-SOMA-RP-v1.1的训练基础，具有三大核心特点：

• 数据规模：700小时的运动数据覆盖了日常活动、 locomotion（行走/奔跑）、手势、战斗、舞蹈等多元场景，确保模型能生成丰富多样的动作序列。
• 数据质量：采用传感器自动采集与人工标注的混合模式，配合严格的数据清洗流程（如移除腕部/肩部扭曲伪影），保证了运动数据的精准性与自然度。
• 结构优化：数据基于30关节SOMA骨骼系统构建，输出包含根节点平移（num_frames x 3矩阵）和关节旋转（num_frames x 30 x 3 x 3矩阵），完美适配3D动画生产需求。

数据集技术架构与应用场景

数据模态与处理流程

Bones Rigplay数据集包含文本描述与人类动作捕捉双模态数据：

• 文本模态：提供动作的自然语言描述（如“缓慢行走”“挥手致意”），用于训练模型的文本-动作映射能力。
• 动作模态：以30fps采样率记录骨骼运动，通过stats/motion/body/mean.npy和stats/motion/body/std.npy等文件存储标准化参数，确保模型输入的一致性。

典型应用场景

该数据集支持多领域的3D动作生成需求：

• 游戏与影视动画：快速生成角色行走、战斗等核心动作，减少手动关键帧制作成本。
• 机器人仿真：为Unitree G1等人形机器人提供拟人化运动参考，加速机器人动作规划研发。
• 数字孪生：构建工业场景中的虚拟人物动作库，提升模拟训练的真实感。

如何获取与使用数据集

数据集获取

Bones Rigplay数据集随Kimodo-SOMA-RP-v1.1模型一同发布，可通过以下命令克隆项目仓库：

git clone https://gitcode.com/hf_mirrors/nvidia/Kimodo-SOMA-RP-v1.1

数据集相关配置文件位于项目根目录的config.yaml，其中stats_path参数指定了运动数据标准化文件的路径：

motion_rep: _target_: kimodo.motion_rep.KimodoMotionRep fps: 30 stats_path: ${oc.select:checkpoint_dir}/stats/motion/

使用注意事项

• 硬件要求：推荐使用NVIDIA Ampere及以上架构GPU（如RTX 3090/4090）进行模型训练与推理，以充分利用CUDA加速能力。
• 伦理规范：数据集已平衡男女演员的动作比例，使用时建议避免通过文本提示强化性别等刻板印象，例如采用“人物缓慢行走”而非“老人缓慢行走”的中性描述。

数据集版本迭代与未来展望

Kimodo-SOMA-RP-v1.1相比v1版本对数据集进行了关键优化：

• 训练集扩展：调整训练/测试集划分，避免与Kimodo Motion Generation Benchmark测试集重叠，同时增加训练数据多样性。
• 质量提升：通过二次数据清洗，进一步减少关节扭曲等异常动作，提升模型输出稳定性。

未来，随着Bones-SEED等开源数据集的完善，NVIDIA计划推出更多基于不同骨骼系统（如SMPLX-body）的模型版本，持续拓展动作生成的应用边界。

通过700小时高质量动作捕捉数据的赋能，Kimodo-SOMA-RP-v1.1正在重新定义3D动画创作的效率与可能性，无论是专业动画师还是机器人开发者，都能从中获取符合需求的精准动作数据。

【免费下载链接】Kimodo-SOMA-RP-v1.1项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/Kimodo-SOMA-RP-v1.1