HiPHI propone para humanoides algo distinto de más vídeo: estados medidos de cuerpo y objetos, variados mediante un plan semántico. Las 617,5 horas incluyen el reflejo de 308,7 horas originales. Importa para evaluar escala y mejoras de control.
El artículo se presentó el 17 de agosto de 2026, se revisó el 8 de septiembre y fue aceptado en CoRL 2026 según el registro. Los benchmarks de autores conectan calidad, seguimiento y demostraciones Unitree G1 seleccionadas. No muestran autonomía general ante tareas desconocidas.
Contenido real
Se capturaron ópticamente 132 personas a 90 Hz y se declara seguimiento submilimétrico de marcadores. No garantiza igual error de cada articulación robótica adaptada. Hay unos 200,1 millones de fotogramas, BVH de 55 articulaciones, descripciones e identificadores.
Son 371,8 horas de cuerpo y 245,7 de interacción persona-objeto, el 39,8%. Posiciones, orientaciones y mallas se sincronizan con una entrada por fotograma corporal. Cuarenta objetos en doce categorías pesan 0,45–6,25 kg, con variantes reflejadas.
Sentarse depende de una silla; empujar altera equilibrio y pies. El cuerpo solo pierde esas restricciones. El vídeo exige estimar profundidad, oclusión y contacto. La captura mide directamente, pero el estudio no iguala variedad y espontaneidad de internet.
HiPHI refuerza una capa, no sustituye todo. Personas aportan conducta, geometría limita imitación y entrenamiento específico debe convertir referencias en control ejecutable.
FrameNet diseña qué recoger
Eventos y significados Berkeley FrameNet sirven de semillas. Frame-LU distingue correr de dirigir una empresa. Usa 22 marcos y 214 unidades.
Etiquetas no equivalen a diversidad física. Limpiar frente y proteger ojos pueden parecerse; caminar esconde velocidad, dirección, paso, giro y altura. Las instrucciones varían amplitud, ritmo, postura, contacto, carga y trayectoria.
Las cincuenta etiquetas más comunes ocupan 53,7% del tiempo; fuera queda 46,3%. Hay mediana de 24 personas por unidad y 154 unidades con al menos diez. Combina frecuencia y larga cola reduciendo estilo individual.
El test normaliza a 23 puntos y 30 fps con codificador común no supervisado y muestras equilibradas. HiPHI ocupa 1.620 celdas frente a 1.438 BONES-SEED; ocupación efectiva 1.443 frente a 1.114. Esta refleja distribución, no solo presencia.
La larga cola mide 14,1% frente a 10,7%. La ventaja permanece en semillas, proyecciones y rejillas probadas. No demuestra cobertura universal de la variedad de movimiento. Equilibrar informa más que horas, pero la proyección reducida no mide todo.
Geometría no es fuerza
HiPHI informa 98,1% sin conflicto y 95,7% de proximidad superficial, midiendo penetración del esqueleto y cercanía plausible. HIMO tiene 97,6% y 79,0%; OMOMO, 90,6% y 50,4%.
Una mano cercana no implica fuerza correcta ni agarre estable. No se mide fricción, tacto o carga real. Los volúmenes difieren: 245,7 horas HiPHI, 21,6 de trayectorias evaluadas HIMO y 9,8 OMOMO.
Con suelos comparables, autores declaran mínimos en cinco medidas de suavidad y artefactos. Penetración del percentil 95: 8 mm, frente a 18 BONES-SEED y 111 AMASS. Flotación sin soporte: 0,015% del tiempo; deriva de apoyo: 64 mm/s. Son estadísticas generales.
Los resultados posteriores son mixtos. Empujar da error corporal medio por articulación de 99,20 mm, peor que 66,09 OMOMO, pero mejores errores de objeto. Transportar mejora cuerpo respecto a ambos y empeora posición del objeto. Los objetivos compiten; no hay victoria universal.
Entrenamiento común para probar control
Los movimientos se adaptaron al G1, de proporciones y actuadores distintos. Las políticas corporales usan refuerzo tipo DeepMimic. AMASS, LAFAN1, Motion-X++ y BONES-SEED recorren igual adaptación y presupuesto.
HiPHI declara mayor éxito y convergencia más rápida a tres y veinte horas, con cinco ejecuciones. Escalado usa datos no reflejados de tres a 300 horas, probados sobre movimientos reservados de otros cuatro conjuntos. El error baja; diez repeticiones aportan media y varianza.
Vincula recogida y control, no solo reconstrucción. Depende del adaptador, política y evaluación comunes; otros cuerpos pueden cambiar la ventaja.
G1 real corrió, se sentó, gateó, llevó una caja, hizo volteretas y tiró de una maleta. Hardware real prueba ejecución mejor que simulación, pero son conductas seleccionadas controladas. No reconocimiento, destino, planificación o recuperación autónomos en un trabajo desconocido.
Seguir una referencia establemente no es decidir cuál usar. Cada cuerpo requiere adaptación y seguridad; el éxito G1 no pasa intacto a todos.
Límites de adopción
Toda captura original es individual y de estudio, sin desorden, desniveles, cambios de luz, sorpresas ni contacto humano directo. Entregas y transporte cooperativo requieren más cuerpos.
Son cinemáticas, no fuerzas o tacto. Trayectorias parecidas pueden implicar resistencias o presiones distintas, cruciales para objetos frágiles, resbaladizos o deformables.
Reflejar añade lados, no personas o sesiones. CoRL aporta revisión; hace falta reproducción externa de comparaciones y hardware.
CC BY-NC 4.0 no permite presentarlo como entrenamiento comercial irrestricto. Excluye vídeo RGB, audio, caras y voz, usando ID numéricos y atributos generales. El movimiento mantiene posibles patrones personales; sin cara no implica identificación imposible.
La contribución defendible es infraestructura estructurada de referencias precisas, semánticas, con objetos y habilidades seleccionadas. Reentrenamiento independiente, otros cuerpos y fuerza, tacto o visión complementarios probarán reutilización. Avanza el contraste entre vídeo amplio y física medida, no resuelve toda autonomía.