近年来，随着人形机器人、智能康复设备、AR/VR自然交互等数字经济赛道的快速发展，手部姿态识别相关技术的研发需求持续攀升，但长期以来，肌电信号与视觉数据的跨模态对齐数据集供给不足，尤其是覆盖单/双手多场景手势、高采样率的权威基准数据缺失，成为制约相关技术落地的核心瓶颈之一。2026年5月7日，清华大学科研团队正式发布的多模态手部姿态估计数据集EgoEMG，正是针对这一行业痛点推出的公共数据资源，将为相关领域的技术研发提供高可信度的数据支撑。
据介绍，EgoEMG是由清华大学团队自主构建的多模态手部姿态估计数据集，也是当前国内为数不多同步整合多维度手部运动数据的公开数据集，首次实现了双侧腕带肌电信号（16通道/2kHz采样率）与第一视角RGB视频的精准时间对齐。全数据集覆盖41名不同年龄、性别、手部特征的参与者执行的60类常见手势（含30类单手势、30类双手协同手势），总采集时长超10小时，除核心的肌电、RGB数据外，还同步收录了IMU运动数据、运动捕捉系统重建的MANO手部参数及腕关节角度数据，数据维度覆盖了手部运动从生理信号触发到视觉动作表现的全链路特征。为保障标注精度，团队采用光学标记与学习式markers2mano流程完成数据标注与校准，全数据集无效帧率低至3.6%，数据质量达到行业领先水平。
从应用价值来看，该数据集可广泛适配多个垂直领域的研发需求：在手势识别领域，可支撑AR/VR裸手交互、智能家居非接触控制、车载手势操作等场景的算法研发，跨模态数据的同步性可有效解决单一视觉算法在光照不足、手部遮挡场景下的识别精度不足问题；在假肢控制领域，覆盖单/双手的全场景手势数据可帮助智能假肢研发团队优化动作识别模型，提升假肢对日常复杂操作的适配能力，改善残障人士的生活自理水平；除此之外，该数据集还可应用于人形机器人手部运动控制、腕部运动损伤康复评估、运动健康监测等多个场景的技术研发。目前该数据集已开放查询，适用于跨模态手势识别、假肢控制等增强现实场景，为肌电-视觉融合研究提供统一的基准测试平台。
详情页内容：
_1769672084863.jpg)