HiPHI propone per i robot umanoidi uno strato diverso da più video internet: stati misurati di corpo e oggetti, variati secondo un piano semantico. Le 617,5 ore comprendono il mirroring delle 308,7 ore originali. La distinzione è centrale per valutarne scala e miglioramenti del controllo.
Il lavoro fu presentato il 17 agosto 2026, revisionato l'8 settembre e risulta accettato a CoRL 2026. I test degli autori collegano qualità, politiche di inseguimento e dimostrazioni selezionate Unitree G1. Non mostrano un robot generale che comprende compiti sconosciuti.
Contenuto effettivo
La cattura ottica a 90 Hz coinvolge 132 interpreti e dichiara precisione dei marker submillimetrica. Non garantisce uguale errore per ogni articolazione robotica dopo retargeting. Sono circa 200,1 milioni di fotogrammi, scheletri BVH a 55 giunti, descrizioni e identificativi semantici.
Ci sono 371,8 ore di solo corpo e 245,7 di interazione umano-oggetto, il 39,8%. Posizione, orientamento e mesh ad alta risoluzione sono sincronizzati, con una voce oggetto per fotogramma. Quaranta oggetti reali in dodici categorie pesano 0,45–6,25 kg, con varianti specchiate.
La superficie della sedia vincola il sedersi; il peso cambia equilibrio e piedi. Il corpo solo perde questi dati. Il video li mostra ma richiede stime di profondità, occlusione e contatto. La cattura misura direttamente senza tutta la varietà ambientale spontanea di internet.
HiPHI rafforza uno strato, non sostituisce tutte le fonti. L'umano fornisce comportamento, la geometria vincola imitazione e il training specifico deve rendere eseguibili i riferimenti.
FrameNet progetta la raccolta
Eventi e significati Berkeley FrameNet sono semi. Una coppia Frame-LU distingue correre fisicamente da dirigere un'azienda. Si usano 22 frame e 214 unità.
Etichette non equivalgono a diversità fisica. Asciugare la fronte e schermare gli occhi possono essere simili, mentre camminare nasconde velocità, direzione, passo, svolta e altezza. Le istruzioni variano ampiezza, ritmo, postura, contatto, carico e percorso.
Le cinquanta etichette principali coprono il 53,7% del tempo; il 46,3% resta fuori. La mediana è 24 persone per unità, con 154 unità da almeno dieci. Si combina frequenza e coda lunga riducendo lo stile individuale.
Il test normalizza a 23 punti e 30 fps con encoder non supervisionato e campioni bilanciati. HiPHI occupa 1.620 celle proiettate contro 1.438 BONES-SEED; occupazione effettiva 1.443 contro 1.114, che riflette distribuzione e non mera presenza.
La coda lunga è 14,1% contro 10,7%. Il margine resta nelle configurazioni testate di semi, proiezione e griglia. È risultato della rappresentazione, non copertura universale della varietà del movimento. Meglio delle sole ore, ma una proiezione ridotta non misura tutto.
Geometria di contatto non significa forza
HiPHI riporta non conflitto 98,1% e vicinanza alla superficie 95,7%, per evitare penetrazione e mantenere prossimità plausibile. HIMO segna 97,6% e 79,0%; OMOMO 90,6% e 50,4%.
Una mano vicina non applica necessariamente forza corretta o presa stabile. Attrito, tatto e carico reale non sono verificati. I volumi differiscono: 245,7 ore HiPHI, 21,6 di traiettorie valutate HIMO, 9,8 OMOMO.
Con pavimenti confrontabili, gli autori riportano minimi in cinque misure di fluidità e artefatti. Penetrazione al 95° percentile: 8 mm, contro 18 BONES-SEED e 111 AMASS. Fluttuazione senza appoggio: 0,015% del tempo; deriva d'appoggio: 64 mm/s. Sono statistiche complessive.
A valle i risultati sono misti. Spingere produce errore corporeo medio per giunto di 99,20 mm, peggiore dei 66,09 OMOMO, ma errori oggetto migliori. Nel trasporto il corpo migliora rispetto a entrambi, ma la posizione oggetto peggiora. Gli obiettivi possono competere: nessuna vittoria universale.
Training condiviso per il controllo
I movimenti vengono adattati al G1, con proporzioni e attuatori diversi. Le politiche corporee usano rinforzo tipo DeepMimic. AMASS, LAFAN1, Motion-X++ e BONES-SEED attraversano stesso retargeting e budget.
HiPHI dichiarerebbe successo massimo e convergenza più rapida a tre e venti ore, con cinque esecuzioni indipendenti. L'esperimento di scala usa dati non specchiati da tre a 300 ore e movimenti esclusi di quattro altri dataset. L'errore tra dataset cala; dieci ripetizioni danno medie e varianza.
Collega raccolta a controllo, non solo ricostruzione. Dipende comunque da retargeter, politica e metriche condivisi; altri corpi possono cambiare il vantaggio.
G1 reale ha corso, si è seduto, ha strisciato, trasportato una scatola, fatto capovolgimenti e tirato una valigia. Hardware reale rafforza l'eseguibilità, ma sono comportamenti selezionati e controllati, non riconoscimento, destinazione, pianificazione o recupero autonomi in un lavoro ignoto.
La politica segue un riferimento in equilibrio; l'agente deve anche sceglierlo. Servono adattamento e sicurezza per ogni corpo; nessun trasferimento invariato a tutti gli umanoidi.
Limiti per l'adozione
Tutta la cattura originale è in studio e individuale, senza disordine, terreno irregolare, luce variabile, sorpresa o contatto umano. Passaggi e trasporto comune richiedono più corpi e relazioni.
È cinematica, non forze o tatto. Traiettorie simili possono implicare resistenza e pressione diverse, decisive con oggetti fragili, scivolosi o deformabili.
Il mirroring aggiunge lati, non persone o sessioni. CoRL aggiunge revisione, ma risultati e hardware richiedono replica esterna.
CC BY-NC 4.0 non è diritto commerciale illimitato. Il pacchetto esclude RGB, audio, volti e voci e usa ID numerici e attributi generali. Il movimento conserva possibili tratti individuali: senza volto non significa non identificabile.
Il contributo è infrastruttura di riferimenti precisi e semantici con oggetti sincronizzati e alcune abilità eseguibili. Riaddestramento indipendente, corpi diversi e forza, tatto o visione complementari ne testeranno riuso. Avanza il confronto tra ampiezza video e struttura fisica, non risolve tutta l'autonomia.