{
  "paper_id": "ac8a7c829e482daa466fc483aee5d664",
  "paper_title": "HUMOTO: A 4D Dataset of Mocap Human Object Interactions",
  "paper_authors": [
    "Jiaxin Lu",
    "Chun-Hao Paul Huang",
    "Uttaran Bhattacharya",
    "Qixing Huang",
    "Yi Zhou"
  ],
  "publication_date": "",
  "publication_venue": "2025 IEEE/CVF International Conference on Computer Vision (ICCV)",
  "abstract": "我们提出 Human Motions with Objects（HUMOTO），这是一个面向运动生成、计算机视觉和机器人应用的高保真人体-物体交互数据集。HUMOTO 包含735个序列，在30 fps下总时长7,875秒，记录了与63个精确建模物体及72个铰接部件的交互。其创新包括场景驱动的大语言模型脚本流水线，用于生成具有自然进程、完整且有目的的任务；以及动作捕捉与相机录制方案，以有效处理遮挡。数据涵盖从烹饪到户外野餐等多样活动，同时保持物理准确性和逻辑任务流。专业艺术家对每个序列进行严格清理和验证，以减少脚部滑动和物体穿透。论文还提供了与其他数据集的基准比较。HUMOTO 的全面全身运动和同步多物体交互应对了关键数据采集挑战，并为动画、机器人和具身人工智能系统中的真实人体-物体交互建模提供了新的发展机会。项目页：<https://jiaxin-lu.github.io/humoto/。>\n",
  "keywords": [
    "4D人体-物体交互",
    "动作捕捉数据集",
    "场景驱动大语言模型脚本",
    "多传感器采集",
    "精细手部姿态",
    "6DoF物体位姿估计",
    "运动质量评估",
    "运动生成",
    "机器人学习",
    "具身人工智能"
  ],
  "paper_institutions": [
    "University of Texas at Austin",
    "Adobe Research"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "doubao-seed-2.1-pro",
  "prompt_template": "simple",
  "extracted_at": "2026-10-20T04:28:30.992601Z",
  "template_tag": "deep_read",
  "summary": "# HUMOTO: A 4D Dataset of Mocap Human Object Interactions\n\n\n**作者 / Authors:** Jiaxin Lu, Chun-Hao Paul Huang, Uttaran Bhattacharya, Qixing Huang, Yi Zhou\n\n\n**单位 / Institutions:** University of Texas at Austin, Adobe Research\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n\n\n\n## 第一轮：问题与贡献\n\n\n### 材料与类型\n\n材料检查：当前仅有论文正文、图注、表1/表2与参考文献；未见附录A.2.1的指标公式、补充材料Fig.14、代码、数据或项目页内容可核验。图像只能依据图注理解，视觉细节无法独立检查。出版日期与venue在正文中未给出，待核实。\n\nArchetype选择为other：本文核心贡献是4D HOI数据集及其采集、清洗、标注与评测流程，而非单一算法或可部署系统，因此按数据集资源论文阅读。\n\n影响解释的缺口：指标定义与计算公式缺失，使表1的跨数据集比较只能按作者口径理解；补充材料中的LLM脚本生成细节缺失；未提供数据划分、许可、采集受试者规模和标注一致性统计等，限制复现与外部效度判断。\n\n\n\n\n\n### 问题\n\n要解决的问题：现有4D human-object interaction数据难以同时覆盖全身运动、细粒度手部姿态、多个对象交互和连贯的任务流程，导致面向真实日常操作的数据监督不足。\n\n为什么重要：这类数据直接支撑HOI检测与重建、文本驱动的人-物运动生成、机器人从演示学习、角色动画以及图像/视频生成等应用；缺少高质量4D HOI数据会限制这些模型学习真实接触、操作顺序和多对象协同。\n\n现有方法的主要不足：已有数据集多聚焦单对象交互，或缺少详细手部姿态；手与物体常出现明显脱离或穿模；部分数据是孤立、缺乏目的性的动作，即使有文本标注也难以表达连续日常任务。GRAB偏上半身，BEHAVE/OMOMO缺少详细手部，IMHD偏高动态运动，ParaHome/TRUMANS场景较固定或对象交互有限。\n\n目标可概括为构建序列集合D={(H_t,O_t,T)}：H_t为含全身与手部的30 fps人体运动，O_t为多对象6DoF姿态与精确几何，T为多层级文本任务描述，并要求物理合理、任务连贯、接触准确。\n\n\n\n\n\n### 概览与阅读路线\n\n一句话概述：HUMOTO是一个面向真实日常多对象操作的高保真4D mocap人-物交互数据集，强调详细手部姿态、精确物体建模、连贯任务脚本和严格质量控制。\n\n核心想法与贡献：作者用Scene-Driven LLM Scripting按“房间/场景”生成有目的的动作脚本；用Rokoko动捕服与手套捕捉全身和手指运动，用双Kinect、FoundationPose与SAM2辅助跟踪物体6DoF姿态；由专业艺术家建模63个物体、72个功能部件并反复清洗验证；提供标题、短脚本、长脚本三层文本标注；提出包括MSNR在内的数据集质量指标。相对BEHAVE、OMOMO、IMHD、ParaHome等，其差异化主张是同时具备多对象、全身、详细手部、低穿模和任务连贯性。\n\n最重要结果及条件：作者声称并在表1中报告HUMOTO取得最低脚滑（0.958 cm）和最低穿模（1.13 cm），MSNR为9.42 dB、接近Mixamo参考；在26人感知研究中获得最高绝对评分，并在与BEHAVE/OMOMO/ParaHome等的成对比较中总体更受偏好。这些是作者在本文对比条件与自建指标下的证据；由于指标公式在未提供的附录中、对比数据版本与处理细节未核验，且数据集仅含一名表演者，不能直接外推为所有HOI场景的普遍最优。作者也承认单表演者偏差和大量人工清洗成本。\n\n优先阅读章节/图表：Sec.3.1与Fig.2看LLM脚本生成；Sec.3.2与Fig.3看动捕/双Kinect/标定与FoundationPose+SAM2流程；Sec.3.3看清洗与三层文本标注；Sec.4.1/Table1/Table2看定量对比与数据统计；Sec.4.2/Fig.6看手部与物体网格视觉质量；Sec.5/Fig.7-10看下游演示；Sec.6看限制。下一轮应重点追问：MSNR、contact entropy、state consistency等指标如何定义与计算；跨数据集比较是否同口径；多对象跟踪在遮挡和快速运动下的失败模式；数据划分、许可与标注一致性是否支持复现。\n\n下一轮将围绕指标定义、采集/跟踪细节和证据边界展开核验。\n\n\n\n\n## 第二轮：方法与证据\n\n\n### 方法与公式\n\n输入→步骤→输出：输入是目标“房间/场景”及其中可交互物体集合、LLM提示、表演者、Rokoko动捕服/手套与双Kinect；输出是序列集合 D={(H_t,O_t,T)}，H_t 为30 fps全身+手指运动，O_t 为多物体6DoF位姿与精确网格，T 为标题/短脚本/长脚本三层文本。\n\n1) 脚本生成（Sec.3.1, Fig.2）：先把物体按逻辑房间分组，再让LLM生成有目的、连贯的日常任务脚本；更细流程在补充材料Fig.14，未提供，无法核验。\n2) 物体建模（Sec.3.2, Fig.4）：63个家居物体、72个功能部件，由专业艺术家按真实测量建模，保留铰接件与可抓取表面，避免3D扫描噪声。\n3) 采集（Sec.3.2, Fig.3）：Rokoko SmartSuit Pro II与手套以30 fps记录全身和手指，骨架重定向到Mixamo中性人体；木质舞台抬高12英寸以减少电磁干扰；两台Kinect置于两角以扩大覆盖、减少遮挡；标定板建立共同坐标系；两台电脑分别处理Kinect与Rokoko数据，用UDP同步。\n4) 原始数据处理：每个序列开始让表演者做标定站姿，得到把动捕坐标对齐到相机坐标的变换矩阵（具体矩阵形式未给）；FoundationPose估计每个物体6DoF；用mask像素差分触发动态重置，避免快速运动时跟踪漂移；SAM2结合人工标注提供物体mask，改善遮挡下的一致性。\n5) 清洗与验证（Sec.3.3）：两阶段质控——艺术家修正漂移/跟踪错误并保证交互逻辑，独立团队检查关节抖动、脚滑、穿模等；两阶段迭代到达标。\n6) 文本标注：独立团队写标题、短脚本、长脚本，分别对应目标、简要过程、细粒度动作。\n\n关键“公式”说明：本文没有在正文给出核心公式。MSNR被描述为关节运动学的信噪比（SNR），越高越平滑、但过度平滑会丢细节，并以Mixamo为参考；具体定义在Appendix A.2.1，未提供。脚滑、jerk、穿模、contact entropy、state consistency、coherence、diversity的计算式同样缺失，因此只能按作者口径理解，不能独立复现。\n\n\n\n\n\n### 评测设置\n\n数据与评测设置：HUMOTO含735个序列、7,875秒（约2.2小时）、30 fps、63个物体/72个功能部件、1名表演者、单场景最多15个物体（Table2）。未报告训练/验证/测试划分、许可、受试者人口统计、标注者一致性统计。\n\n对比数据：Table1比较BEHAVE、OMOMO、IMHD、ParaHome、HUMOTO，并以Mixamo作为MSNR参考；GRAB在Sec.2被称为偏上半身而省略定量比较，但Table2仍列入GRAB等数据集。Table2还列InterCap、FHPA、HOI4D、Chairs、ARCTIC、NeuralDome、TRUMANS、ParaHome等统计。\n\n指标：脚滑(cm)、人体jerk(m/s^3)、MSNR(dB)、coherence、diversity、物体jerk、穿模(cm)、contact entropy、state consistency。Table1表头与数值列存在一处排版歧义：按正文“最低穿模/数量级改进”和列对齐，HUMOTO的穿模应为0.0068 cm，1.13应为物体jerk，而非穿模；阅读时需以正文与列语义交叉校验。\n\n感知研究：26名计算人体运动方向的学生/研究者，5点Likert绝对评分+同任务成对比较。下游演示：MotionGPT文本生成、PyBullet+CoACD仿真、DexGraspNet抓取对比、4D Humans/TRAM位姿估计、Affordance Diffusion图像编辑；均为定性或小规模演示。\n\n计算预算：未报告训练GPU/时长；仅致谢提到UT GenAI Center的GPU小时。缺失设置包括指标公式、跨数据集统一处理细节、数据划分、许可、物体质量/仿真参数、感知研究抽样与统计检验。不公平风险：跨数据集指标受动作内容、采集系统和清洗程度影响；Mixamo含街舞等高动态动作，作者也承认会抬高脚滑/jerk；成对比较称“同一交互任务”，但任务匹配与视频选择协议未详述。\n\n\n\n\n\n### 结果与证据\n\n决定性结果（Table1，按正文与列语义校正）：脚滑0.958 cm最低（BEHAVE 4.556、OMOMO 2.130、IMHD 1.474、ParaHome 3.008）；穿模0.0068 cm最低，较BEHAVE 0.0606、OMOMO 0.0602约一个数量级；物体jerk 1.13，低于OMOMO 27.40、IMHD 24.06，但高于ParaHome 0.08（作者解释其物体多静态）；人体jerk 1.87，仅次于IMHD 1.14；MSNR 9.42 dB，接近Mixamo 10.88，低于OMOMO 12.37与IMHD 14.20，作者归因于精细手部引入高频成分；coherence 0.653最高；diversity 0.956。注意：正文“1.13 cm穿模”与表格列对齐冲突，若1.13为穿模则与“最低穿模/数量级改进”矛盾；更自洽的读法是穿模=0.0068、物体jerk=1.13，仍需Appendix A.2.1确认。\n\n感知研究支持质量主张：26人绝对评分中人体4.79±0.49、物体4.88±0.36、交互4.75±0.57、总体4.78±0.43；成对偏好总体96% vs BEHAVE、46% vs IMHD（50%持平）、65% vs OMOMO（28%持平）、82% vs ParaHome（15%持平）。交互质量维度对BEHAVE 94%、OMOMO 65%、ParaHome 67%，对IMHD 38%偏好/46%持平。\n\n下游证据是“有用性演示”而非严格基准：MotionGPT能生成粗动作但细粒度失败；PyBullet中HUMOTO物体位移小于ParaHome；DexGraspNet抓取不如HUMOTO自然；4D Humans/TRAM在遮挡和手部上失败；Affordance Diffusion有手部伪影。\n\n结论：证据支持“低脚滑、低穿模、手部细节、多物体、感知质量高”的作者主张，但指标公式缺失、跨数据集口径未核验、无组件消融（LLM脚本、双Kinect、清洗流程各自贡献未分离）、仅1名表演者，不能把优势完全归因于方法设计；下游演示不能证明SOTA模型已能完成多物体细粒度HOI。\n\n\n\n\n\n### 相关工作\n\n最近邻工作与差异按作者描述：BEHAVE、OMOMO 代表全身人-物交互，但缺少详细手部姿态；IMHD 侧重高动态运动，手部更细但穿模明显；ParaHome 面向家庭多物体场景，时长与受试者更多，但物体常较静态、手部采集方式可能造成握拳姿态；GRAB 偏上半身抓取且以单物体为主，作者在定量比较中基本省略。HUMOTO 的差异化主张是同时具备全身+手指、多物体（最多15个）、63个精修物体/72个功能部件、任务连贯脚本和低穿模；代价是仅1名表演者、2.2小时、大量艺术家建模与人工清洗。表2显示 HUMOTO 在物体数、手部、多物体数上占优，但在时长和受试者数上明显少于 ParaHome（8.1h/38人）、OMOMO（10.1h/17人）、BEHAVE（4.2h/8人）。以上为论文自述，未独立核验各数据集版本、处理口径与许可。\n\n\n\n\n\n### 关键图表解读\n\nFig.2（Sec.3.1）：展示Scene-Driven LLM Scripting从“房间/物体分组”到LLM生成连贯任务脚本的流程，支撑“任务有目的、有 progression”的核心主张；限制是仅为示意，补充材料Fig.14缺失，且没有与人工脚本/无脚本采集的消融比较。\n\nFig.3（Sec.3.2）：展示双Kinect、舞台、灯光、标定板与表演者标定姿态，支撑“多传感器+标定解决遮挡与坐标对齐”的主张；限制是未给标定误差、遮挡量化或跟踪失败率。\n\nFig.5与Fig.6（Sec.4.2）：Fig.5用文本、手部细节、contact map和轨迹说明数据表示；Fig.6对比BEHAVE/OMOMO/IMHD/ParaHome的手部与物体网格质量，支撑“手部更细、网格更干净、穿模更少”；限制是选例展示，非全数据集统计，且视觉细节无法从图像独立核验。\n\nTable1（Sec.4.1）：核心定量证据，支撑低脚滑、低穿模、MSNR接近Mixamo、coherence最高；限制是指标定义在缺失的Appendix A.2.1，跨数据集内容与采集条件不同，且表头/列对齐存在歧义（穿模0.0068 vs 物体jerk 1.13需按正文校正）。\n\nTable2（Sec.4.1）：给出时长、受试者、物体数、手部/身体、最大物体数、采集setup，支撑“多物体+手部+63物体”的差异化定位；限制是HUMOTO仅2.2小时、1名表演者，明显少于ParaHome/OMOMO/TRANS等。\n\n综上，证据强度集中在数据集质量统计与感知研究，而非组件因果消融；下一步评估需区分作者主张、表格口径与可复现边界。\n\n\n\n\n\n### 术语表\n\n4D HOI：带时间维的3D人-物交互数据，含人体/物体姿态、几何与运动。\n6DoF：物体6自由度位姿，即3D平移+3D旋转。\nMocap：动作捕捉；本文用惯性动捕服+手套记录全身与手指。\nEMF：电磁场；Rokoko惯性传感器依赖电磁场，金属会干扰，故用木台抬高。\nRokoko SmartSuit Pro II：本文使用的惯性动捕服；配手套记录手指，30 fps。\nKinect：RGB-D相机；本文双Kinect从两角拍摄以减少遮挡。\nFoundationPose：对新物体做6D位姿估计与跟踪的算法；本文用于物体6DoF。\nSAM2：分割模型；本文结合人工标注生成物体mask，提升遮挡下跟踪一致性。\nScene-Driven LLM Scripting：按“房间/物体分组”让LLM生成连贯任务脚本的流程。\nMixamo：工业级动捕动画库；本文作为MSNR人体运动质量参考。\nMSNR：Motion Signal-to-Noise Ratio，用关节运动学SNR衡量运动质量；越高越平滑，越接近Mixamo越好；公式在缺失的Appendix A.2.1。\n脚滑：脚部接触点相对地面的漂移，单位cm，越低越好。\nJerk：位置对时间的三阶导数，单位m/s^3；越低通常越平滑。\n穿模：人手/物体网格相互穿透的深度，单位cm，越低越好。\nContact entropy：接触状态分布的熵；本文称其衡量接触状态多样性，公式未给。\nState consistency：接触状态的时间一致性；本文称其避免快速波动，公式未给。\nCoherence/Diversity：运动连贯性与多样性指标；正文只给数值与定性解释，精确定义未在提供材料中给出。\nCoACD：近似凸分解算法；本文用于PyBullet仿真前处理。\nPyBullet：物理仿真器；本文用于比较HUMOTO与ParaHome的物体位移。\nDexGraspNet：机器人灵巧抓取数据集/生成方法；本文用作抓取自然度对比。\nMotionGPT：文本驱动人体运动生成模型；本文用于展示细粒度HOI生成困难。\n4D Humans/TRAM：人体姿态/运动估计方法；本文用于展示遮挡场景估计失败。\nAffordance Diffusion：手-物交互图像生成方法；本文用于对比手部伪影。\n\n\n\n\n\n### 全部图表索引\n\nFig.1：HUMOTO数据集总览，位于首页；支撑多物体、精细手部、艺术家建模、多层级文本标注的总主张。\nFig.2：Scene-Driven LLM Scripting流程，Sec.3.1；支撑LLM按场景生成连贯任务脚本。\nFig.3：采集环境与标定，Sec.3.2；支撑双Kinect、舞台、标定板与动捕/相机对齐。\nFig.4：63个物体/72个功能部件的3D网格，Sec.3.2；支撑艺术家精修建模。\nFig.5：数据集可视化（文本、手部、contact map、轨迹），Sec.3.2后；支撑多模态表示与接触可视化。\nFig.6：与BEHAVE/OMOMO/IMHD/ParaHome的手部、物体网格质量对比，Sec.4.2.1；支撑视觉质量主张。\nFig.7：MotionGPT在HUMOTO文本上的生成结果，Sec.5；支撑现有生成模型细粒度HOI失败。\nFig.8：PyBullet仿真与DexGraspNet抓取对比，Sec.5；支撑机器人/仿真应用价值。\nFig.9：4D Humans与TRAM在HUMOTO渲染图上的位姿估计，Sec.5；支撑遮挡场景估计困难。\nFig.10：Affordance Diffusion图像编辑对比，Sec.5；支撑2D生成与物体增删/光影应用。\nTable1：跨数据集定量评测，Sec.4.1；支撑脚滑、穿模、MSNR、coherence等指标；表头/列对齐有一处歧义，需与正文交叉校验。\nTable2：数据集统计，Sec.4.1；支撑时长、受试者、物体数、手部/身体、最大物体数、setup对比。\n缺失：补充材料Fig.14（LLM脚本细节）、Appendix A.2.1（指标公式）、Appendix A.3（感知研究细节）未提供；正文图注可读，但图像像素级细节无法独立核验。\n\n\n\n\n## 第三轮：评估与复现\n\n\n### 可信度、局限与复现\n\n可信与不可信结论（按证据强度分层）：\n\n- 可信（描述性事实，Sec.1/3/Table2）：HUMOTO 含735段、7,875秒、30 fps、63个物体/72个功能部件、全身+手指、最多15个物体同场、三层文本标注。采集流程为 Rokoko 动捕服/手套 + 双 Kinect + 标定板 + FoundationPose + SAM2 辅助 mask + 两阶段人工清洗（Sec.3.2-3.3, Fig.3）。这些是论文自述，未见数据文件，但内部一致。\n- 方向可信、数值待核验（Sec.4.1/Table1）：HUMOTO 脚滑0.958 cm最低、穿模0.0068 cm最低（按表列语义；1.13为Object Motion）、coherence 0.653最高；MSNR 9.42 dB接近Mixamo 10.88，但低于OMOMO/IMHD。感知研究26人给出绝对分4.78±0.43及成对偏好（Sec.4.2.2）。这些支持「质量较高」的方向，但指标公式在缺失的Appendix A.2.1，跨数据集处理口径未给，无法确认数值可比。\n- 证据不足：Scene-Driven LLM Scripting、双Kinect、FoundationPose/SAM2、人工清洗各自的因果贡献没有消融；仅有1名表演者；未报告数据划分、许可、标注一致性、标定/跟踪误差、遮挡失败率；下游 MotionGPT/PyBullet/DexGraspNet/4D Humans/TRAM/Affordance Diffusion 均为定性小演示（Sec.5, Fig.7-10），不能证明SOTA已能完成多物体细粒度HOI。\n\n关键假设与失效场景：假设物体CAD与真实物体对齐、标定矩阵稳定、FoundationPose在动态重置和SAM2 mask下可靠、单表演者可代表目标人群、跨数据集指标同口径。失效场景包括严重遮挡、快速运动、反光/薄壁物体、复杂手-物接触、与训练分布不同的体型/场景；单表演者会放大体型与动作风格偏差。后果是脚滑/穿模/接触指标可能被清洗和内容难度共同影响，感知偏好不能外推为通用质量。\n\n复现计划（以验证核心创新为目标）：\n\n1) 必需产物：Appendix A.2.1指标公式与代码、Appendix A.3感知协议、补充材料Fig.14的LLM脚本流程、数据许可与划分、物体网格/功能部件、标定矩阵与同步日志、FoundationPose/SAM2配置、清洗与标注指南、感知研究问卷和统计。\n2) 关键设置：30 fps；双Kinect两角布置；12英寸木台；UDP时间同步；每段起始标定姿态；动态重置阈值；SAM2人工mask；Mixamo中性骨架；仿真中的物体质量/摩擦与CoACD分解参数。未报告项必须由作者补充，不能臆造。\n3) 验证步骤：用统一代码在HUMOTO与BEHAVE/OMOMO/IMHD/ParaHome上重算Table1，并报告置信区间；在留出序列上测标定误差、物体6DoF跟踪误差和遮挡失败率；做采集组件消融（LLM脚本 vs 人工脚本、双Kinect vs 单Kinect、FoundationPose+SAM2 vs 基线、清洗前 vs 后）；盲化复现26人感知研究；用固定预算训练同一HOI生成/抓取模型比较有无HUMOTO。\n4) 成功标准：Table1的排名与量级可复现、穿模/脚滑优势在统一口径下仍存在、下游在接触/穿模/任务成功率上有可测提升。具体容差论文未给，需作者定义。\n阻塞项：Appendix、代码、数据、许可、补充材料均未提供；外部项目页未核验，因此当前只能做证据审计，不能完成独立复现。\n\n\n\n\n\n### 应用约束\n\n实际约束：\n\n- 数据与许可：2.2小时、735段、单表演者、63个家居物体，规模适合微调/评测子集，不适合从零训练大模型；许可、下载方式、隐私/肖像授权未在正文报告，项目页未核验。\n- 采集成本：Rokoko SmartSuit Pro II+手套、双Kinect、12英寸木台、灯光、标定板、双电脑UDP同步；专业艺术家建模63物体/72部件并两阶段清洗，另请独立团队标注三层文本。论文明确承认人工清洗成本高（Sec.6）。\n- 计算：未报告训练GPU/时长；仅致谢UT GenAI Center GPU小时。推理/延迟不是数据集论文的指标。\n- 鲁棒性：双Kinect和SAM2针对遮挡设计，但未给遮挡率、跟踪失败率、标定漂移；快速运动用mask像素差触发重置，阈值与失败模式未报告。\n- 适用范围：家庭室内、刚体、可铰接物体、单人操作；不覆盖可变形物体、液体、多人协作、户外大规模场景。最多15个物体同场不等于同时精细操作15个。\n- 下游使用：MotionGPT、PyBullet、DexGraspNet、4D Humans/TRAM、Affordance Diffusion均为演示级（Sec.5），没有在HUMOTO上训练并报告benchmark；机器人真机迁移未展示。\n- 已展示 vs 推断：已展示的是数据统计、质量指标和感知偏好；推断的是可用于训练更真实HOI生成、机器人学习和位姿估计。部署前需核验许可、动作多样性、物体物理参数和真实机器人成功率。\n\n\n\n\n\n### 探索问题\n\n1) 质量优势来自采集/清洗还是动作内容？验证：固定脚本与物体，采集同一动作的原始/清洗后、单/双Kinect、有无SAM2与动态重置版本，按统一指标比较并报告置信区间。收益：分离核心创新贡献，判断Table1优势是否可归因。风险：重采集成本高、伦理与设备限制，且部分组件无法在已发布数据上消融。\n2) 跨数据集指标是否同口径？验证：发布指标代码，把各数据集重定向到统一骨架/帧率/手部模型与物体坐标系，盲化重算Table1，并做内容难度分层。收益：确认脚滑、穿模、MSNR排名的可信度。风险：原始数据或许可不开放，重定向会引入新误差，指标定义可能本身不稳健。\n3) HUMOTO能否带来可测的下游收益？验证：在相同计算预算下，用HUMOTO做预训练/微调 vs 基线，评测文本到HOI生成的接触/穿模/任务完成度，以及仿真到真机的抓取成功率；使用留出表演风格或留出物体。收益：从「数据质量」推进到「任务效用」。风险：单表演者导致过拟合，基准泄漏，机器人实验成本高。\n\n\n\n\n\n### 引用与核验\n\n引用与核验说明：本次仅基于所给论文PDF，未访问项目页、代码库或外部数据集页面；因此以下均为「论文内引用」而非独立核验。\n\n- 支撑新颖性与最强比较的引用：BEHAVE[^1]、OMOMO[^39]、IMHD[^82]、ParaHome[^35]、GRAB[^58]。Table1/Table2中这些数据集的时长、受试者、物体数、手部/身体与指标值均取自HUMOTO作者口径；未核验各数据集版本、处理流程与许可。GRAB在Sec.2被称为偏上半身而从Table1省略，但Table2仍列入，需注意比较范围不一致。\n- 外部依赖：FoundationPose[^66]、SAM2（正文提及但未给参考文献编号）、Rokoko[^53]、Mixamo[^29]、CoACD[^65]、PyBullet[^6]、DexGraspNet[^63]、MotionGPT[^30]、4D Humans[^19]、TRAM[^64]、Affordance Diffusion[^74]。这些方法的可用性、版本与许可未核验；复现依赖其官方实现。\n- 指标依据：MSNR声称使用SNR[^55]，但定义在缺失的Appendix A.2.1；脚滑、jerk、穿模、contact entropy、state consistency、coherence、diversity均无公式，不能确认引用与实现一致。\n- 引用一致性风险：Sec.2将IMHD标为[^78]，而Table1标为[^82]；[^78]实为HOI-M3，[^82]为I'm HOI，存在编号不一致，引用IMHD结论时应以[^82]为准并待核验。SAM2缺正式引用。\n- 其余引用（如[^2] [^3] [^4] [^5]、[^7] [^8] [^9] [^10] [^11] [^12] [^13] [^14] [^15] [^16] [^17] [^18]、[^20] [^21] [^22] [^23] [^24] [^25] [^26] [^27] [^28]、[^31] [^32] [^33] [^34]、[^36] [^37] [^38]、[^40] [^41] [^42] [^43] [^44] [^45] [^46] [^47] [^48] [^49] [^50] [^51] [^52]、[^54] [^55] [^56] [^57] [^58] [^59] [^60] [^61] [^62]、[^67] [^68] [^69] [^70] [^71] [^72] [^73] [^74] [^75] [^76] [^77] [^78] [^79] [^80] [^81] [^82] [^83]等）多为背景、应用或数据集统计来源，未逐条核对；其中[^59] SAMP似与主题关联弱，可能是泛化引用。\n- 结论：论文内部支撑最强的是自建数据统计与Table1/Table2；外部比较和下游SOTA claims均为作者口径，需在获得代码、数据和补充材料后再判定。\n\n\n\n\n\n### 最终判断\n\n最终判断：HUMOTO 作为「小规模、高人工投入、全身+手指、多物体、任务连贯」的4D HOI数据集，存在性和主要统计可信；质量优势的方向有Table1与26人感知研究支持，但精确排名和因果归因尚不可信，因为指标公式、跨数据集口径、消融和许可均缺失。最稳妥的用法是把它当作高质量演示/微调/评测子集和失败案例分析资源，而不是代表全体人群或证明SOTA的基准。下一步：向作者索取Appendix A.2.1/A.3、补充材料Fig.14、许可与指标代码，先复现Table1再做一个固定预算的下游对照。"
}