PhysicalAI-Human-1M-100K 概述

PhysicalAI-Human-1M-100K 是 NVIDIA 发布的第一视角人类操作数据集，是约 100 万小时 Human-1M 数据集的开源子集，包含约 10 万小时、3,405,573 条 episode，涵盖 406,815 个任务簇、81,557 个场景和 9 类环境。

数据集集成了第一视角视频、稠密语言标注以及头部和手部运动数据。视频包括单目和双目头戴视角，部分 episode 配有手腕相机；运动数据包括头戴相机 6-DoF 位姿和每只手 21 个关键点。

Human-1M 已用于训练 NVIDIA 的 Cosmos 和 GR00T 模型，可用于商业和非商业用途。

Episode 结构

每条 episode 由熟练操作者完成一项目标明确的实际工作，通常在 5–10 分钟内完成，视频不低于 30 FPS / 480p。标注分为两级：T1 用 1–2 句话概述任务目标，T2 将 episode 切分为 1–10 秒的连续动作片段，适合训练任务理解和细粒度动作执行能力。

任务类别

任务覆盖备餐、上货、打包、零件组装、设备维修等具有经济价值的日常工作，例如缝纫、维修摩托车刹车、包饺子、采摘番茄、固定电路板并接线等，环境包括工业车间、商用厨房、物流场地、农业和家庭等。

场景多样性

数据采用真实场景采集和工作室采集两种方式：前者在家庭和工作场所中进行，覆盖自然的环境与操作差异；后者在受控环境中进行，便于针对特定技能重复生产数据。

数据描述

数据经过标注、任务、多样性和 3D 跟踪四道质量关卡，结合人工审核与定量检查。数据以 LeRobot v3.0 格式发布，视频、语言标注和运动数据通过帧时间戳对齐，可直接用于机器人学习训练。

如果您使用该数据集，请查看并遵守发布方声明的开源协议 HuggingFace。

1@misc{nvidia2026human1m,
2                title={Human-1M: Scaling Physical AI through Human Experience},
3                author={{NVIDIA}},
4                howpublished={Hugging Face Datasets, nvidia/PhysicalAI-Human-1M-100K},
5                year={2026},
6                publisher={Hugging Face},
7                url={https://huggingface.co/datasets/nvidia/PhysicalAI-Human-1M-100K}
8}