运动模仿是实现类人机器人行走的一种有前景的方法，能够使智能体习得类人行为。现有方法通常依赖于高质量的动作捕捉数据集（如AMASS），但这类数据集稀缺且成本高昂，限制了数据的可扩展性与多样性。近期研究尝试通过将大规模互联网视频转化为训练数据来扩展数据采集，代表性工作如Humanoid-X。然而，这类方法常引入物理伪影，例如肢体漂浮、穿模以及足部滑移等问题，严重影响模仿的稳定性。针对这一挑战，我们提出了PHUMA——一个基于物理约束的类人机器人运动数据集。该数据集在大规模人类视频基础上构建，通过精心的数据筛选与物理约束驱动的动作用转换技术，有效解决了上述物理伪影问题。PHUMA在生成过程中强制执行关节运动范围限制，确保足部与地面稳定接触，并彻底消除足部滑移现象，从而生成既具有大规模覆盖性又具备物理可靠性的运动数据。我们在两种不同场景下对PHUMA进行了评估：（i）在自录测试视频中模仿未见过的运动动作；（ii）仅通过骨盆运动引导实现路径跟踪。在两种场景下，基于PHUMA训练的策略均显著优于Humanoid-X与AMASS，大幅提升了对多样化运动的模仿能力。相关代码已开源，地址为：https://davian-robotics.github.io/PHUMA。