HiPHI propose pour l'apprentissage humanoïde autre chose que davantage de vidéos : des états corporels et d'objets mesurés, variés selon un plan sémantique. Les 617,5 heures incluent le miroir gauche-droite de 308,7 heures originales. Cette distinction est centrale pour juger l'échelle et les progrès de contrôle.
L'article a été soumis le 17 août 2026, révisé le 8 septembre et accepté à CoRL 2026 selon son dossier. Les benchmarks des créateurs relient qualité, politiques de suivi et démonstrations Unitree G1 choisies. Ils ne montrent pas un robot général comprenant des tâches inconnues.
Le contenu réel
La capture optique à 90 Hz porte sur 132 interprètes, avec suivi de marqueurs annoncé sous le millimètre. Cette précision n'est pas celle garantie de chaque articulation robotique après adaptation. Le jeu contient environ 200,1 millions d'images, des squelettes BVH à 55 articulations, descriptions et identifiants sémantiques.
Il comprend 371,8 heures de corps seul et 245,7 d'interaction humain-objet, soit 39,8 %. Positions, orientations et maillages haute résolution sont synchronisés, avec un état objet par image corporelle. Quarante objets réels, douze catégories, masses de 0,45 à 6,25 kg et versions miroirs sont disponibles.
La chaise contraint l'assise ; une charge change équilibre et pieds. Ces informations manquent au corps seul. La vidéo les montre mais exige d'estimer profondeur, occultation et contact. La capture mesure directement, sans la richesse environnementale ou spontanée d'internet.
HiPHI renforce donc une couche, sans tout remplacer. L'humain fournit le comportement, la géométrie contraint l'imitation, et l'entraînement propre au robot doit rendre la référence exécutable.
FrameNet organise la collecte
Les cadres d'événements et sens lexicaux Berkeley FrameNet servent de graines. Une paire Frame-LU distingue courir physiquement de diriger une entreprise. HiPHI utilise 22 cadres et 214 unités.
Les noms ne mesurent pas la variété physique. Essuyer le front et protéger les yeux peuvent se ressembler ; marcher cache vitesse, direction, pas, virages et hauteur. Les consignes varient amplitude, rythme, posture, contact, charge et trajectoire.
Les cinquante étiquettes principales représentent 53,7 % du temps, laissant 46,3 % ailleurs. La médiane est de 24 interprètes par unité ; 154 unités en ont au moins dix. Cela combine fréquences et longue traîne en limitant le style individuel.
Le test normalise à 23 points et 30 images/s, avec encodeur non supervisé commun et échantillons équilibrés. HiPHI occupe 1 620 cellules projetées contre 1 438 pour BONES-SEED ; occupation effective 1 443 contre 1 114. Celle-ci mesure la distribution, pas seulement la présence d'un exemple.
La longue traîne atteint 14,1 % contre 10,7 %. L'avantage persiste selon les graines, projections et grilles testées. C'est un résultat de représentation, pas une preuve de couverture universelle de la variété du mouvement. L'équilibrage vaut mieux que les heures seules, mais la projection reste limitée.
La géométrie n'est pas la force
HiPHI annonce 98,1 % de non-conflit et 95,7 % de proximité de surface : éviter la pénétration du squelette et rester assez proche pour une interaction. HIMO atteint 97,6 % et 79,0 % ; OMOMO 90,6 % et 50,4 %.
Une main proche n'applique pas forcément la bonne force ni une prise stable. Friction, toucher et charge réelle ne sont pas mesurés. Les volumes diffèrent : 245,7 heures HiPHI, 21,6 heures de trajectoires évaluées HIMO et 9,8 OMOMO.
À conventions de sol comparables, les auteurs annoncent les valeurs les plus faibles sur cinq mesures de fluidité et artefacts. Le 95e percentile de pénétration est de 8 mm, contre 18 BONES-SEED et 111 AMASS. Flottement sans appui : 0,015 % du temps ; dérive d'appui : 64 mm/s. Ce sont des statistiques globales.
Les résultats en aval sont mixtes. Pour pousser, l'erreur corporelle moyenne par articulation est de 99,20 mm contre 66,09 OMOMO, donc moins bonne, mais les erreurs objet sont meilleures. Porter améliore le corps face aux deux comparaisons, mais détériore la position de l'objet. Les objectifs peuvent s'opposer ; aucune victoire universelle n'est établie.
Un entraînement partagé teste le contrôle
Les mouvements sont adaptés au G1, aux proportions et actionneurs différents. Les politiques corporelles utilisent un apprentissage renforcé de type DeepMimic. AMASS, LAFAN1, Motion-X++ et BONES-SEED passent par la même adaptation et les mêmes budgets.
HiPHI aurait le meilleur succès et la convergence la plus rapide à trois et vingt heures, sur cinq entraînements indépendants. Une autre expérience augmente les données non miroirs de trois à 300 heures, testées sur des mouvements réservés de quatre autres jeux. Les erreurs interjeux diminuent ; dix répétitions donnent moyennes et bandes de variance.
Cela relie collecte et contrôle plutôt que reconstruction visuelle. Les résultats dépendent toutefois de l'adaptation, politique et métrique communes ; d'autres robots peuvent changer l'avantage.
Le G1 physique a couru, marché à quatre pattes, porté une boîte, effectué des retournements, tiré une valise et s'est assis. Actionneurs et capteurs réels renforcent l'exécutabilité, mais ce sont des comportements choisis en conditions contrôlées. Pas de reconnaissance, destination, planification ou récupération autonomes en milieu inconnu.
Une politique suit une référence en restant stable ; un agent complet doit aussi la choisir. Adaptation morphologique et sécurité restent nécessaires, sans transfert inchangé vers tous les humanoïdes.
Les limites d'adoption
Toutes les captures originales sont en studio et individuelles, sans désordre, sol irrégulier, lumière variable, surprise ou contact humain direct. Passations et portage coopératif exigent plusieurs corps et relations.
Les données décrivent la cinématique, pas forces et toucher. Des trajectoires proches peuvent impliquer résistances et prises différentes, cruciales pour objets fragiles, glissants ou déformables.
Le miroir ajoute des côtés, pas d'interprètes ou sessions indépendants. CoRL apporte la revue, mais les comparaisons et essais restent à reproduire ailleurs.
La licence CC BY-NC 4.0 n'est pas un droit commercial illimité. Le paquet exclut vidéos RGB, audio, visages et voix, avec identifiants numériques et attributs généralisés. Le mouvement peut rester individuel : absence de visage n'est pas anonymat absolu.
La contribution défendable est une infrastructure structurée de références précises, sémantiques, avec objets synchronisés et quelques compétences exécutables. Réentraînement indépendant, autres robots et force, toucher ou vision complémentaire testeront sa réutilisation. HiPHI avance le débat entre largeur vidéo et physique mesurée, sans résoudre le reste de l'autonomie.