BONES-SEED × Unitree G1：MuJoCo兼容CSV轨迹如何在仿真中回放人形机器人动作

• 数据集
• 机器人
• 具身智能

BONES-SEED（Skeletal Everyday Embodiment Dataset）是面向人形机器人的开源人类动作数据集，收录 142,220 条带标注动作捕捉序列（约 288 小时）。其中Unitree G1 MuJoCo 兼容 CSV 关节轨迹可直接加载进 MuJoCo 仿真，在 G1 机器人模型上回放人类动作，是 Sim-to-real 迁移与全身控制（whole-body control）研究的关键数据源。

先认识 BONES-SEED：一套完整的人形机器人动作数据

数据集由 522 位演员（17–71 岁）贡献，覆盖行走、慢跑、舞蹈、手势、物体交互等 8 大类别、20 个细分类别，每条动作附带最多 6 条自然语言描述、时间分段标签与骨骼元数据。

每条动作提供三种骨骼表示，其中 G1 CSV 正是仿真回放的入口：

快速开始：三步克隆数据集

git lfs install git clone https://gitcode.com/hf_mirrors/bones-studio/seed cd seed tar -xzf g1.tar.gz

G1 动作数据以 g1.tar.gz 归档分发，解压后即得到g1/csv/{date}/{motion_name}.csv目录结构；BVH 格式的soma_uniform.tar.gz、soma_proportional.tar.gz同理按需解压即可。

看懂 CSV 轨迹：一条 G1 动作文件里有什么

每个 CSV 文件按g1/csv/{date}/{motion_name}.csv规则组织，一行对应一帧（采样率 120 fps），列内容是该帧下各关节的角度值（若含根节点列则为位置/朝向 + 关节角），列名与 G1 的 MuJoCo 模型关节一一对应。

文件与元数据的关联靠 metadata/seed_metadata_v004.csv（51 列 × 142,220 行，亦有 seed_metadata_v004.parquet）：move_g1_mujoco_path列直接指向对应 CSV，move_duration_frames列给出总帧数。

import pandas as pd meta = pd.read_csv("metadata/seed_metadata_v004.csv") row = meta[meta["package"] == "Locomotion"].iloc[0] traj = pd.read_csv(row["move_g1_mujoco_path"]) print(traj.shape, row["move_duration_frames"]) # 行数应与总帧数一致 print(traj.columns.tolist()) # 与你的 G1 MuJoCo XML 关节名比对

💡 先打印表头核对列顺序，再决定写入qpos的映射方式，是避免回放"乱舞"的第一步。

在 MuJoCo 中回放 G1 动作的三步

1. 加载 G1 的 MuJoCo 模型（XML），初始化MjData
2. 逐帧写入关节角：把 CSV 每行的角度填进qpos对应分量
3. 按 1/120 秒节奏渲染，即得到流畅回放

import mujoco import pandas as pd model = mujoco.MjModel.from_xml_path("g1.xml") # G1 的 MuJoCo 模型 data = mujoco.MjData(model) traj = pd.read_csv("g1/csv/240301/some_motion__A123.csv") for i in range(len(traj)): angles = traj.iloc[i].to_numpy() data.qpos[1 : 1 + len(angles)] = angles # qpos[0] 通常留给根节点位置 mujoco.mj_forward(model, data) # renderer.render() # 每帧渲染，帧间隔 1/120 s

若 CSV 前几列是根节点位置/朝向，将其写入qpos[:7]（位置 + 四元数），关节角从其后开始；具体以文件表头和你使用的模型为准。

让回放更顺畅的实用技巧

• 时长换算：动作时长 =move_duration_frames ÷ 120秒，渲染循环按此对齐时间轴
• 镜像数据：元数据中is_mirror标记左右镜像动作，可用于对称场景增广
• 时间分段回放：metadata/seed_metadata_v002_temporal_labels.jsonl 提供每条动作的分段起止时间与文字描述，可按需截取"开门""转身"等指定阶段单独回放
• 按内容筛选：用package/category/content_type_of_movement列过滤，例如只取 Locomotion 包中 74,488 条行走/慢跑序列做步态回放
• 骨架参照调试：若需在 BVH/USD 格式间核对骨骼结构，基础骨架定义见 soma_base_skel_minimal.bvh 与 soma_base_skel_minimal.usd；统一骨架形状参数为 soma_base_fit_mhr_params.npz

从回放到 Sim-to-real：下一步能做什么

在 MuJoCo 中稳定回放只是起点。借助 G1 兼容轨迹 + 多模态文本标注，BONES-SEED 可直接支撑：

• 全身控制：以语言描述为条件训练 G1 的 policy，把回放轨迹作为行为先验
• 模仿学习：以 CSV 轨迹为演示数据，学习行走、舞蹈、物体交互等技能
• 动作检索与生成：利用自然语言描述做检索，用时间标签做分段级动作合成

📌 使用数据前请阅读 LICENSE.md（bones-seed-license），了解授权范围与使用要求。更多字段定义与下载方式详见 README.md。

• 数据集
• 机器人
• 具身智能