近期，国家基础学科公共科学数据中心“微重力多学科数据库”在Nature子刊《Scientific Data》发表了题为“Pose estimation and tracking dataset for multi-animal behavior analysis on the China Space Station”的研究论文，论文标志着全球首个空间多动物姿态估计与跟踪基准数据集——SpaceAnimal Dataset正式发布，为AI赋能太空生命研究提供关键数据支撑。本研究由中国科学院空间应用工程与技术中心牵头，联合大连海事大学、中国科学院生物物理研究所、中国科学院水生生物研究所等多家单位共同完成。论文受到国家基础科学公共科学数据中心项目(NO. NBSDC-DB-17)资助。

文章聚焦太空微重力、高辐射和弱磁场等极端环境中生命体的行为和生理反应特征，指出动物行为作为生命状态的外在反映，其在空间环境中的精准识别与量化，对于理解生物适应机制、保障航天员健康具有重要意义。

破解“无数据”困境，推动AI与空间生命科学深度融合

传统动物行为研究多依赖人工观察或接触式设备，不适用于航天实验中对高通量、无干扰、自动化分析的需求。随着AI技术特别是深度学习的快速发展，非接触式行为识别成为重要趋势。但太空动物图像稀缺，公开高质量标注数据几乎空白，严重限制了AI模型在空间生命科学中的应用。

为此，研究团队依托中国空间站“问天实验舱”先进的在轨成像平台，采集并处理了多类模式动物图像数据，构建了跨物种、多任务、高质量的SpaceAnimal Dataset，有效填补了该领域的基础数据空白。

数据集亮点：多动物、多任务、高质量

SpaceAnimal Dataset聚焦三类典型空间生命实验动物——线虫（C. elegans）、果蝇（Drosophila）与斑马鱼（zebrafish），面向复杂空间实验场景，具备以下特点：

多任务支持：同时提供检测框、关键点与身份（ID）标注，覆盖检测、姿态估计与跟踪三类AI任务；

精细化标注体系：分别设计5/10/26个关键点，精准表达不同物种的行为特征；

高标准质量控制：全流程专家交叉验证，部分样本采用多专家联合标注，量化不确定性用于模型评估；

开源可复现工具链：同步发布评估脚本和代码，支持mmpose等主流深度学习框架使用与研究复现。

目前，数据集已通过Zenodo平台面向全球公开（DOI: 10.5281/zenodo.12904072），欢迎科研社区下载使用。

模型性能全面评估，为后续算法研发提供方向

研究团队利用SpaceAnimal Dataset，对多种主流模型在姿态估计与目标跟踪任务上的性能进行了系统评估：

在姿态估计任务中，ViTPose在三类动物数据集上表现稳定，综合性能最佳；

在跟踪任务中，不同算法在不同场景下效果差异明显，如OC-SORT更适用于线虫与果蝇，ByteTrack则在斑马鱼任务中表现更佳。

实验结果揭示了当前算法在复杂遮挡、目标重叠、图像模糊等空间场景下的技术瓶颈，也为开发新一代具备时序建模与跨目标识别能力的模型提供了数据基础和性能标尺。

应用展望：服务空间生物学研究与长期载人任务

本研究在空间生命科学、计算神经科学与人工智能交叉融合领域具有重要意义。标准化、开源的数据集将有助于：

揭示微重力环境下行为模式、群体互动等机制；

支撑航天任务中智能化的生物监测与健康评估；

推动AI4Space相关算法在更广泛领域的创新应用。

未来，SpaceAnimal Dataset将扩展至更多物种和行为类型，支持多模态感知与群体行为协同分析，助力构建面向空间生命研究的AI基础设施。

📄论文原文：

https://doi.org/10.1038/s41597-025-05111-8

📂数据集地址：

https://doi.org/10.5281/zenodo.12904072https://analysis.msadc.cn/org-

portal/CMSDESP/dataset/682bd1118c9db25ac4d1b2f1(国内)

📌代码工具（模型评估脚本）：

https://github.com/CSU-SPACE/SpaceAnimal