近日，中国科学院沈阳自动化研究所联合多所高校团队推出开源多模态下肢行走数据集 K2MUSE。这套同步融合运动学、动力学、肌电、A型超声四类信号的标准化数据集，补齐了现有步态数据脱离真实使用场景的短板，为智能康复外骨骼、假肢研发与人体生物力学研究提供权威通用基础资源。相关成果刊登于国际机器人领域权威期刊The International Journal of Robotics Research。

当前现有公开步态数据集存在明显局限：大多仅采集单一运动或肌电信号，缺少肌肉形变数据；试验仅覆盖平地匀速行走，缺少斜坡、变速等真实路况，也未考虑肌肉疲劳、传感器偏移等实际使用干扰，导致基于这类数据训练的助行机器人算法落地后精度不足。

针对上述问题，研究团队搭建了一套多设备同步采集实验平台，开展大规模人体行走试验，构建 K2MUSE 数据集。数据集包含青年、中老年两类受试者基础身体参数，可支撑老年步态、助行装备相关研究。

整套平台可实现多设备毫秒级同步采集，同步精度经过双重验证：光学动作捕捉系统采集关节运动数据，嵌入测力板的跑步机记录地面反作用力，无线表面肌电设备捕捉肌肉电信号，穿戴式超声设备监测肌肉实时形变，肌电与超声信号相互补充，提升运动识别算法稳定性。

为贴近真实使用场景，团队设计多种行走工况，覆盖平地、上下斜坡、不同步行速度等日常路况；同时新增三类贴近临床、家用场景的干扰试验，模拟肌肉疲劳、传感器偏移、多次穿戴偏差带来的信号扰动，用于训练抗干扰自适应控制算法。

团队完成了多维度可靠性验证，数据集时序对齐误差小、运动轨迹重复性好，和国际同类数据集相比一致性高，具备通用研究价值。研究人员基于该数据集训练端到端控制算法，并在自研髋部助行外骨骼上完成实测，外骨骼可自适应多种路况，有效降低人体行走代谢消耗，验证了数据集的实用价值。

目前 K2MUSE 数据集已正式上线，文档、演示视频、代码仓库同步开放，全球科研工作者可访问https://k2muse.github.io/，或登录 Kaggle 检索数据集名称获取全部资源。

该成果以K2MUSE: A human lower-limb multimodal walking dataset spanning task and acquisition variability for rehabilitation robotics为题发表，沈阳自动化所博士研究生李纪桅为论文第一作者，赵新刚研究员、张弼研究员为通讯作者。该研究得到国家自然科学基金、辽宁省自然科学基金、中国博士后科学基金，以及沈阳自动化所基础研究项目的支持。

后续，团队将持续扩充数据集内容，新增坐站转换、楼梯行走等日常动作样本，纳入病患群体步态数据，同步采集穿戴外骨骼状态下的人体运动信息，进一步完善标准化多模态步态资源体系，持续推动智能康复机器人从实验室走向临床、家庭场景落地。

【关闭窗口】