• 数据集
• 机器人
• 具身智能

BONES-SEED 运动分类体系是这套开源人形机器人动作数据集的核心导航框架：它把 142,220 条标注动作动画（约 288 小时 @ 120 fps）归纳为8 大 Package与20 种细粒度 Category，从行走、舞蹈到开门、读报一网打尽。无论你是训练人形机器人全身控制策略，还是做"文字生成动作"实验，这份清单都能帮你快速锁定想要的动作子集。

一、BONES-SEED 数据集与运动分类体系速览

先建立整体认知：

运动分类体系采用"Package → Category"两级结构：Package 是大类（如 Locomotion、Communication），适合粗粒度批量筛选；Category 是细分标签（如 Gestures、Dancing、Object Manipulation），适合精准定位某类动作。

二、8 大 Package 全量数据一览 🗂️

📌 两个值得注意的信号：

• Locomotion 独占一半以上：基础位移类动作是全身控制与步态学习的核心语料，占比最高说明数据重心明确。
• 长尾类别依然完整：Martial Arts 仅 20 条、Magic 仅 160 条——小众但完整，适合做边缘用例（edge case）测试。

三、20 种动作类别完整清单 🔍

按动作数降序排列，覆盖从基础位移到风格化表现的全部场景：

💡 小技巧：Category 名称与content_type_of_movement、content_uniform_style等元数据列联动。例如Basic Locomotion Styles对应的风格标签有injured leg（腿部受伤）、hurry（急促）、old（老人姿态）等，可用它们做"同一动作不同风格"的对比训练。

20 种 Category ↔ 8 大 Package 对应关系

Package 是"抽屉"，Category 是"抽屉里的格子"。完整映射如下：

* Object Manipulation 与 Object Interaction 的命名非常接近，但二者是元数据中独立的 Category，做筛选时请精确匹配字符串，避免漏掉一半数据。

四、元数据文件：在哪里定位每条动作的分类 📂

分类信息存储在元数据文件中，仓库内实际路径：

加载与过滤的极简示例（只需几行代码）：

import pandas as pd # 读取主元数据（parquet 或 csv 二选一） df = pd.read_parquet("metadata/seed_metadata_v004.parquet") # 按 Package / Category 快速筛选训练子集 loc = df[df["package"] == "Locomotion"] # 全部位移类 gest = df[df["category"] == "Gestures"] # 全部手势 danc = df[df["category"] == "Dancing"] # 全部舞蹈

五、按任务挑选动作子集：实操建议 🎯

骨骼与形状文件的入口（配合上面的动作文件使用）：

• SOMA 统一骨骼定义：soma_base_skel_minimal.bvh（USD 版在同目录）
• SOMA Uniform 共享形状参数：soma_base_fit_mhr_params.npz
• SOMA Proportional 按演员的身体比例参数：soma_proportion_fit_mhr_params/（如 A001.npz）

六、获取并加载动作数据

下载仓库（含元数据与三个格式的 tar 包）后解压即可：

git clone https://gitcode.com/hf_mirrors/bones-studio/seed cd seed tar -xzf soma_uniform.tar.gz # SOMA Uniform（BVH） tar -xzf soma_proportional.tar.gz # SOMA Proportional（BVH） tar -xzf g1.tar.gz # Unitree G1（CSV）

解压完成后，先加载元数据表、用package/category两列筛出目标子集，再按filename去对应目录取 BVH / CSV 动作文件——这就是使用 BONES-SEED 运动分类体系的标准工作流。

📖 更完整的标注字段（51 列元数据 Schema、时序分割示例、演员生物特征等）请查阅仓库根目录的 README.md。

• 数据集
• 机器人
• 具身智能