HiPHI setzt beim humanoiden Lernen nicht nur auf mehr Internetvideo, sondern auf gemessene Körper- und Objektzustände nach einem semantischen Erfassungsplan. Die 617,5 Stunden enthalten Spiegelungen von 308,7 Originalstunden. Das ist für Größen- und Kontrollbehauptungen zentral.
Die Arbeit wurde am 17. August 2026 eingereicht, am 8. September revidiert und laut Forschungsnachweis für CoRL 2026 angenommen. Herstellerbenchmarks verbinden Qualität mit Tracking-Policies und ausgewählten Unitree-G1-Vorführungen. Sie zeigen keinen allgemeinen Roboter für selbstständig verstandene unbekannte Aufgaben.
Der tatsächliche Inhalt
132 Darsteller wurden optisch mit 90 Hz erfasst; behauptet wird Submillimeter-Markerpräzision. Das garantiert keine Submillimeterfehler jedes umgerechneten Robotergelenks. Enthalten sind rund 200,1 Millionen Frames, 55-Gelenk-BVH-Daten, Sprache und semantische Kennungen.
371,8 Stunden betreffen nur den Körper, 245,7 Mensch-Objekt-Interaktion, also 39,8 Prozent. Objektposition, Orientierung und hochauflösende Netze sind synchron, mit einem Objektzustand pro Körperframe. Vierzig reale Objekte in zwölf Kategorien wiegen 0,45 bis 6,25 kg; gespiegelte Netze kommen hinzu.
Sitzen hängt von der Stuhlfläche ab, Schieben verändert Balance und Füße. Körperdaten allein verlieren das. Video zeigt Ereignisse, braucht aber Tiefen-, Verdeckungs- und Kontaktabschätzungen. Motion Capture misst direkter, hat jedoch nicht Internets Umgebungsvielfalt und Spontaneität.
HiPHI stärkt eine Trainingsschicht, ersetzt nicht alles. Menschen liefern Verhalten, Geometrie begrenzt Imitation, und roboterspezifisches Lernen macht Referenzen ausführbar.
FrameNet plant die Erfassung
Berkeley FrameNets Ereignisse und Wortbedeutungen dienen als Ausgangspunkte. Frame-LU trennt körperliches Laufen vom Führen einer Firma. Es gibt 22 Frames und 214 Einheiten.
Sprachlabels sind nicht physische Vielfalt. Stirnwischen und Augenabschirmen ähneln sich, Gehen versteckt Tempo, Richtung, Schritt, Drehung und Höhe. Anweisungen variieren Amplitude, Rhythmus, Haltung, Kontakt, Last und Objektweg.
Die fünfzig häufigsten Labels umfassen 53,7 Prozent der Zeit, der Rest 46,3 Prozent. Median sind 24 Personen pro Einheit; 154 Einheiten haben mindestens zehn. Das verbindet Häufiges und langen Rand und reduziert persönliche Eigenarten.
Der Test normalisiert auf 23 Punkte bei 30 fps und verwendet gemeinsamen unüberwachten Encoder und ausgewogene Stichproben. HiPHI belegt 1.620 projizierte Zellen gegenüber 1.438 bei BONES-SEED, effektiv 1.443 gegenüber 1.114. Effektivität zeigt Verteilung statt bloßer Anwesenheit.
Der Long-Tail-Wert ist 14,1 gegenüber 10,7 Prozent. Die getesteten Seeds, Projektionen und Raster zeigen Vorteile. Das beweist keine universelle Abdeckung der Bewegungsmannigfaltigkeit. Ausgewogene Daten sind besser als Stunden allein, aber niedrige Dimension misst nicht alles.
Kontaktgeometrie ist keine Kraftmessung
HiPHI meldet 98,1 Prozent Konfliktfreiheit und 95,7 Prozent Oberflächennähe: keine Skelettdurchdringung und plausible Interaktionsnähe. HIMO erreicht 97,6 und 79,0, OMOMO 90,6 und 50,4 Prozent.
Eine nahe Hand muss weder richtige Kraft noch stabilen Griff ausüben. Reibung, Tastsinn und reale Last sind nicht geprüft. Auch die Datenmenge unterscheidet sich: 245,7 HiPHI-Stunden, 21,6 ausgewertete Objektstunden HIMO und 9,8 OMOMO.
Bei vergleichbaren Bodenkonventionen melden Autoren niedrigste Werte auf fünf Glattheits- und Kontaktmaßen. Bodendurchdringung im 95. Perzentil: 8 mm gegenüber 18 BONES-SEED und 111 AMASS. Ungestütztes Schweben: 0,015 Prozent der Dauer; Stützpunktdrift: 64 mm/s. Gesamtwerte garantieren keinen einzelnen Clip.
Folgeaufgaben sind gemischt. Beim Schieben ist der mittlere Körpergelenkfehler 99,20 mm schlechter als OMOMOs 66,09, Objektposition und Orientierung aber besser. Tragen verbessert den Körper gegenüber beiden Vergleichen und verschlechtert die Objektposition. Ziele konkurrieren; kein Gesamtsieg ist belegt.
Gemeinsames Training prüft Kontrolle
Menschliche Bewegungen werden an G1 mit anderen Proportionen und Antriebsgrenzen angepasst. Körper-Policies nutzen DeepMimic-artiges Reinforcement Learning. AMASS, LAFAN1, Motion-X++ und BONES-SEED durchlaufen dieselbe Anpassung mit gleichen Datenbudgets.
HiPHI erreicht laut Autoren höchsten Erfolg und schnellste Konvergenz bei drei und zwanzig Stunden mit fünf unabhängigen Läufen. Ein Skalierungstest nutzt ungespiegelte drei bis 300 Stunden und zurückgehaltene Bewegungen vier anderer Datensätze. Fehler sinken; zehn Wiederholungen liefern Mittelkurven und Varianzbänder.
Das verbindet Erfassung mit Kontrolle statt nur Rekonstruktion. Gemeinsame Anpassung, Policy und Auswertung prägen die Aussage; andere Roboter können den Vorteil ändern.
G1 lief, saß, kroch, trug Kisten, überschlug sich und zog einen Koffer. Reale Antriebe und Sensoren stärken Ausführbarkeit, bleiben aber ausgewählte kontrollierte Bewegungen. Unbekannte Objekterkennung, Zielwahl, Planung und Wiederaufnahme sind nicht gezeigt.
Tracking folgt stabil einer Referenz; ein vollständiger Agent muss sie wählen. Verkörperungsspezifische Anpassung und Sicherheit bleiben nötig, ohne unveränderte Übertragung auf alle Humanoiden.
Grenzen der Nutzung
Alle Originalaufnahmen sind im Studio mit einer Person, ohne Unordnung, Bodenunebenheit, Lichtwechsel, Überraschung oder direkten Menschenkontakt. Übergabe und gemeinsames Tragen benötigen mehrere Körper und Beziehungen.
Die Daten sind Kinematik, keine Kräfte oder Berührung. Ähnliche Wege können andere Widerstände und Griffdrücke haben, besonders bei zerbrechlichen, rutschigen oder verformbaren Dingen.
Spiegelung ergänzt Seiten, keine Personen oder Sitzungen. CoRL bringt Begutachtung; breiteres Vertrauen braucht unabhängige Wiederholung der Vergleiche und Hardwareergebnisse.
CC BY-NC 4.0 ist keine unbegrenzte kommerzielle Trainingsfreigabe. RGB, Audio, Gesichter und Stimmen fehlen; numerische IDs und allgemeine Attribute bleiben. Bewegung kann individuelle Muster tragen, Gesichtslosigkeit bedeutet nicht Unidentifizierbarkeit.
Der Beitrag ist strukturierte Bewegungsinfrastruktur mit präzisen Referenzen, Objekten und ausgewählten ausführbaren Fähigkeiten. Unabhängiges Neutraining, andere Körper und ergänzende Kräfte, Berührung oder Sicht testen die Wiederverwendung. Es verbessert den Vergleich von Videobreite und gemessener Physik, löst nicht die übrige Autonomie.