加州大学提出LocoVR模型：VR中捕获的室内人类运动数据集
通过VR收集数据来支持机器人等人工智能代理
（映维网Nweon 2025年03月13日）理解人类运动对机器人等人工智能代理至关重要，尤其是在复杂的室内家庭环境中。在相关空间中对人类轨迹进行建模需要深入理解个体如何绕过物理障碍并管理社交导航动态。
之前的研究已经开发了室内场景中人类运动的数据集，但它们通常规模有限，并且缺乏家庭环境中常见的微妙社交导航动态。
为了解决这个问题，加州大学提出了LocoVR。这是一个在虚拟现实中并从130多个不同的室内家庭环境中捕获的7000多个轨迹的数据集。LocoVR提供全身姿势数据和精确的空间信息，以及社交动机运动行为的丰富示例。
例如，所述数据集捕获了在狭窄空间中相互导航的个体的实例，调整路径以尊重生活区的个人边界，以及在入口处和厨房等高流量区域协调移动。评估表明，在利用人类轨迹的三个实际室内任务中，LocoVR显著提高了模型的性能，并展示了在家庭环境中预测社交意识导航模式的能力。
预测人类的轨迹对家用机器人等人工智能系统至关重要。尽管存在一系列的室外行人轨迹数据集，但由于几何复杂性、规模和运动模式的差异，它们不适用于室内环境。
理想的室内数据集应该包括不同的场景和轨迹，但大规模创建这样的数据集具有挑战性。基于摄像头的采集方法往往会因为障碍物而失败，而先进的3D扫描方法则受到高成本和时间限制的限制。
所以，各种室内环境中人类运动的综合数据集依然难以获取，阻碍了人工智能系统在家庭环境中有效导航和辅助的发展。为了克服数据收集方面的挑战，加州大学团队提出了LocoVR。
这是一个在虚拟现实中捕获的数据集，可以有效地捕获不同室内环境中的详细空间信息、人-场景交互和人与人之间的社交运动行为。
LocoVR在130多个家庭环境中捕捉两个人以任务为中心的运动，包括他们的轨迹、头部方向和精确的空间数据。至关重要的是，LocoVR捕获到了运动近体学——空间的社交因素，例如在狭窄的空间中让步，在共享区域保持个人距离，以及考虑到人际适应理论
人类社交动态可以为家用机器人提供有价值的见解，使其在遵守隐性社交规范的同时，更自然地在家庭空间中导航。
研究人员的目标是通过考虑几何约束和社交邻近学来理解和预测复杂室内环境中的人类轨迹。在几何上，目标是模拟人们如何避开障碍物并找到有效的路径。在社交方面，捕获个体如何预测和对其他人的动作做出反应，调整他们的轨迹以避免碰撞，保持个人空间，并最大限度地减少路径干扰。
团队通过三个任务来展示我们的数据集：全局路径预测、轨迹预测和目标区域预测。前两个任务展示了数据集促进几何和社交感知路径预测的能力，而最后一个任务展示了它在支持广泛应用方面的多功能性。
表1总结了现有的人体轨迹和运动数据集以及LocoVR的统计数据。数据集包含131个场景中的2500K帧人类轨迹。团队收集了具有几何和社交意识的两人轨迹。轨迹总数为7071条。在看不见的、复杂的和受限的室内环境中，LocoVR从几何和社交角度促进了任务性能的增强。
另外，它同时包括头部/腰部/手/脚的身体追踪器数据作为辅助信息。额外的观察可以促进对人类运动的更深入的理解，并提高模型的性能。
在实验中，两个人戴着VR头显，并看到一个共享的虚拟环境，并执行需要步行的任务。参与者的动作通过动捕实时记录下来，并映射到与以相同方式移动的虚拟化身，以帮助他们保持社交意识。
系统的优点包括：
-
通过虚拟场景切换，场景变换快速简便，可采集多种场景下的人体轨迹数据；
-
通过对空间数据进行数字化记录，可以获得准确的空间信息；
-
由于虚拟房间与物理空间很好地对齐，参与者可以自然行走并产生VR记录的运动数据；
-
几何和社交感知的运动行为可以在虚拟空间中精确、容易地控制和复制。
数据收集是在一个10米乘10米的室内开放空间中进行的，被试在同样大小的虚拟房间中行走。在实验中，每个人都分配了一个独特的目标，用一个只有他们自己才能看到的虚拟标记来表示。一旦他们达到了他们的目标，一个新的目标出现在不同的位置，开始新一轮的任务。
相关论文：LocoVR: Multiuser Indoor Locomotion Dataset in Virtual Reality
总的来说，为了模拟复杂室内环境中具有几何和社交意识的人类轨迹，团队引入了LocoVR数据集，捕获了131个家庭环境中的两人社交运动行为，包括准确的轨迹和详细的空间信息。在实验中，他们引入了三种利用人类轨迹的室内任务：全局路径预测、轨迹预测和目标预测。
实验结果表明，使用LocoVR训练的模型优于其他在真实世界测试数据评估的室内数据集。这表明数据集有助于适应各种任务中具有复杂几何形状和社交运动行为的看不见的室内环境。另外，相关发现证明了虚拟环境训练模型的潜力。
更多信息请访问GitHub。
