NVIDIA Human-1M-100K
手作業を一人称視点で撮った 100,000 時間の動画。手の姿勢と時刻付きタスクラベル付き
ライセンス
CC BY 4.0
データ:CC BY 4.0。データセットカードの Governing Terms と Hugging Face のライセンスタグによる。カードでは商用・非商用に使えるとしている。クレジット:再利用時は NVIDIA を表記し、ライセンスへのリンクを付ける必要がある。動画に映る人々:CC BY 4.0 はプライバシー権や肖像権を許諾せず、カードにも同意についての説明はない。ハードウェアのプロトタイプ:別のリポジトリで、ソフトウェアは Apache-2.0、ハードウェア設計は CC BY 4.0。モデル:GR00T 2 は未公開のため、その条件はわからない。2026-11-10 にデータセットリポジトリの README.md と DATASET_CARD.md、ハードウェアリポジトリの LICENSE ファイルで確認。
概要
Human-1M-100K は Human-1M のうち公開された部分です。これは、人が身体を使って作業する様子を一人称視点で撮影した約百万時間の NVIDIA のコレクションで、センサーで記録しているため、動画に頭部と手の動きと言語が付いています。公開サブセットには 100,000 時間、3,405,573 エピソードが含まれ、記録されたタスククラスタは 406,815、収集者は 41,288 人、シーンは 81,557、環境カテゴリは九つです。実際の住宅や職場と、スタジオの両方で撮影されています。各エピソードには、頭部カメラの動画(モノラルまたはステレオで、手首カメラ付きのものもある)、頭部カメラの姿勢、信頼度付きの片手 21 点のキーポイント、一、二文の目標(T1)、1〜10 秒の時刻付き動作の列(T2)が入っています。データは LeRobot v3.0 形式で、商用・非商用に使える CC BY 4.0 ライセンスのもと、2026年11月4日 に Hugging Face で公開されました。NVIDIA は Human-1M を自社の Cosmos と GR00T モデルの学習データとしており、GR00T 2 の研究ページでもこのモデルの人間の動画の出典として挙げています。
Human-1M は、センサーで記録した人間のデモンストレーションを集めた NVIDIA のコレクションです。食事の準備や棚の品出しから、注文品の梱包、部品の組み立て、機器の修理まで、手を使って働く人々を一人称視点で撮った約百万時間の動画です。2026年11月4日、NVIDIA はそのうち 100,000 時間を Human-1M-100K として、CC BY 4.0 で Hugging Face に公開しました。公開分には 3,405,573 エピソード、406,815 の記録済みタスククラスタ、41,288 人の収集者、81,557 のシーン、九つの環境カテゴリがあります。一部は実際の住宅や職場といった現場で、一部は特定の技能や組み立て、ラボの手順を繰り返し撮れるスタジオで記録されました。
一つのエピソードは、一人が測定可能な目標に向けて役に立つ作業を一つ行うもので、通常は 5〜10 分ほどかかる内容です。動画は実速度で 30 FPS・480p 以上が必要で、エピソードの 95% 以上の時間、片手または両手が映っていなければなりません。頭部カメラはモノラルまたはステレオで、両手首にカメラを加えたエピソードもあります。各フレームには、頭部カメラの 6-DoF 姿勢、メートル単位の位置と回転で表した片手 21 点のキーポイント、手ごとの存在マスクと信頼度が付いています。言語は 二階層です。T1 は目標、主な動作、主要な物体を一、二文でまとめ、T2 はエピソード全体を 1〜10 秒の連続した区間に分け、それぞれどちらの手がどの物体に何をするかを記します。エピソードには、カメラのキャリブレーション、国コード、場所が公共か私的か、仮名化された収集者・シーン・ソースの識別子も記録されています。
NVIDIA は、人によるレビューと自動チェックを組み合わせた四つの品質ゲートを説明しており、アノテーション、タスクの有用性、多様性、3D トラッキングを対象としています。同社の監査グラフは 25 週の納品期間を対象とし、受理が 561,000 時間、不合格となった提出が 461,000 時間です。
データは LeRobot v3.0 のデータセットとして、ベンダー、バッチ、バージョンごとに整理されており、フレーム、エピソード、タスク、サブタスク、環境、シーンの Parquet テーブルと、カメラごとに一つの MP4 ファイルがあります。フィールドリファレンス が各列を説明しています。データ全体は Hugging Face の公開 ストレージバケット にあり、2026年11月10日 時点で 1,321 TB、2,561,357 ファイルと表示されていたため、多くの利用者は一部だけをダウンロードすることになります。ダウンロード前に中身を見るには、データセットのリポジトリにある短いプレビュー動画と三つの 完全なサンプルエピソード が使えます。また Human-1M Dataset Explorer では、ブラウザで動画、3D 再構成、ロボットへのリターゲティング、T2 ラベルを見たり、タスククラスタを検索したりできます。
NVIDIA の GR00T 2 研究ページ によると、このモデルは Human-1M の一人称視点の人間の動画 402,730 時間に、ハンドヘルドグリッパーによるデモンストレーション 10,184 時間とロボットの遠隔操作データ 23,500 時間を加えて事前学習されました。NVIDIA 自身のテストでは、人間の動画をまったく使わない状態からすべて使う状態にすると、72 のロボットタスクの進捗が 50% から 70% に上がりました。GR00T 2 自体はまだ公開されておらず、ページではコードの公開を 2026年12月 としています。データセットカードには、Human-1M が NVIDIA の Cosmos モデルにも使われているとあります。これとは別に、NVIDIA は GR00T 2 のデータ収集用に作ったハンドヘルド型とウェアラブル型の装置の ハードウェア設計 を公開しており、そのソフトウェアは GR00T データハードウェアのリポジトリ にあります。
重要な理由
ロボット学習には、ロボットが記録できるよりはるかに多くの熟練した手作業の例が必要です。遠隔操作は遅くて高価で、普通の人間の動画には、モデルが動作を学べる手の動きやラベルがありません。Human-1M-100K は、頭部と手の姿勢と時刻付きの動作ラベルがあらかじめ付いた 100,000 時間の実作業を、商用利用を認める CC BY 4.0 で提供します。これはこのカタログで最大の、オープンな一人称視点の人間マニピュレーションデータセットで、より小規模な Eidon Tracker POV や、ロボットを使わない操作データの HiFi-UMI-2K と並びます。VLA や世界モデルの事前学習、模倣学習の研究、人間の手からロボットハンドへのモーションリターゲティングに使える素材で、多くのロボット学習ツールがすでに読める LeRobot 形式で提供されます。NVIDIA によれば、次の GR00T 基盤モデルを支える人間のデータでもあり、モデル自体の公開前に誰でもそのデータを調べられます。
解決する課題
ロボットに手の使い方を教えるには大量のデモンストレーションデータが必要ですが、ロボットの遠隔操作で集めるのは遅くて高価で、ラボで用意できるタスクに限られます。人が実際に働く動画はいくらでもありますが、手の動きやタスクの構造が付いていないため、モデルがそこから動作を学ぶのは容易ではありません。Human-1M-100K は、欠けていた要素をあらかじめ加えた実際の人間の作業を大規模に提供します。頭部と手の姿勢、手ごとの信頼度、エピソードごとの目標、時刻付きの動作ラベルが、文書化された LeRobot 形式で、商用利用を認めるライセンスのもとで手に入ります。
主なポイント
- 一人称視点の人間の作業 100,000 時間。NVIDIA の百万時間規模のコレクション Human-1M の公開サブセット
- 41,288 人の収集者による 3,405,573 エピソード。81,557 のシーン、406,815 のタスククラスタ、九つの環境カテゴリ
- モノラルまたはステレオの頭部動画、オプションの手首カメラ、頭部カメラの 6-DoF 姿勢、信頼度付きの片手 21 点のキーポイント
- 二階層の言語ラベル:エピソードごとの目標(T1)と、1〜10 秒の連続した時刻付き動作(T2)
- LeRobot v3.0 形式。フィールドリファレンス、プレビュー動画、三つの完全なサンプルエピソード、ブラウザ用のエクスプローラー付き
- CC BY 4.0 で商用利用可。NVIDIA は Human-1M を GR00T 2 の人間の動画の出典としている
対象
- 人間のデモンストレーションデータで VLA、世界モデル、ロボット用の基盤モデルを事前学習する研究者
- 人間の手の動きをロボットハンドに移す研究や、器用なマニピュレーションに取り組むチーム
- 一人称視点の動画、手の姿勢推定、動作セグメンテーションを研究するコンピュータビジョンの研究者
- 手持ちのツールがそのまま読める形式で大規模な人間のデータを求める LeRobot ユーザー
制限事項
- 人間のデモンストレーションであり、ロボットの動作ではない。ロボットの学習に使うにはリターゲティングか、動画から学ぶモデルが必要
- 非常に大きい:2026年11月10日 時点でストレージバケットは 1,321 TB、2,561,357 ファイルと表示されており、多くの利用者は選んだ一部だけをダウンロードすることになる
- Human-1M の約百万時間のうち公開されているのは 100,000 時間だけで、残りは NVIDIA の手元にある
- バケットのフォルダ名は release-staging で、2026年11月10日 の時点でもまだ更新されていた
- このデータでモデルがどれだけ良くなるかという主張は、NVIDIA 自身の GR00T 2 研究ページによるもの。GR00T 2 自体はまだ公開されていない
- カメラ構成の異なる複数のソースが記録しており、リグやプライバシー区分など一部のフィールドが欠けているソースもある
- カードには、撮影された人々の同意をどう得たか、顔をぼかしているかは書かれていない。識別子は仮名化されている
- CC BY 4.0 はクレジット表記を求め、動画に映る人々のプライバシー権や肖像権は許諾しない