HiPHI は単にネット動画を増やすのでなく、意味に基づく収集計画で変化させた人体・物体の計測状態を人型学習の出発点にする。617.5時間には、元の308.7時間を左右反転した分が含まれる。規模と制御改善の主張を読むうえで重要な区別だ。
論文は2026年8月17日提出、9月8日改訂で、研究記録では CoRL 2026 採択。著者の評価はデータ品質を追従方策と選択された Unitree G1 実演へ結ぶ。未知の仕事を自律理解して完了する汎用ロボットではない。
何が含まれるか
132人を90Hzの光学方式で捕捉し、マーカー追跡はサブミリ精度と報告する。収集装置の精度であって、変換後のロボット関節誤差の保証ではない。約2億10万フレーム、55関節 BVH、自然言語記述と意味 ID を含む。
身体のみ371.8時間、人と物の相互作用245.7時間、後者39.8%。物体位置・向きと高解像度メッシュを同期し、身体各フレームに物体記録がある。12分類40実物、0.45〜6.25kgと反転メッシュを収める。
椅子の面や荷物による姿勢・足配置は身体だけの記録で失われる。動画は出来事を描いても奥行き、遮蔽、接触の推定が必要だ。動作計測は軌跡を直接測るが、スタジオはネットの環境・自然な行動の幅に届かない。
したがって一層を強化するのであり全情報源の代替ではない。人体が行動、幾何が模倣の制約を与え、機体固有の訓練が実行可能に変える。
FrameNet は呼び名だけでなく収集を設計する
Berkeley FrameNet の事象と語義を種にする。Frame-LU は走ると会社を運営するなど同語の別義を分ける。22フレーム、214動作単位を使う。
額を拭く・目を覆うは似た軌跡になり、歩行は速度、方向、歩幅、旋回、高さを隠す。指示は振幅、リズム、姿勢、接触点、荷重、物体経路を変える。
上位50ラベルが時間の53.7%、残り46.3%はそれ以外だ。単位当たり中央値24人、154単位に10人以上。よくある動作と意図的な長尾を含み、個人の癖への依存を減らす。
共通23点・30fpsへ正規化し、共通教師なし符号器と均衡標本で比較する。投影セル占有は1,620対 BONES-SEED 1,438、有効占有は1,443対1,114。後者は一例の有無だけでなく分布を表す。
長尾指標14.1%対10.7%。試した乱数、投影、格子で優位という。ただし特定表現内の結果で、普遍的な動作多様体の網羅を証明しない。均衡比較は時間だけより有用でも低次元投影には限界がある。
接触幾何は力ではない
非干渉98.1%、表面近傍接地95.7%と報告する。骨格の物体貫通回避と、相互作用可能な近さを測る。HIMO は97.6%・79.0%、OMOMO は90.6%・50.4%。
手が近くても正しい力や安定把持とは限らない。摩擦、触覚、実荷重は検証しない。比較量も HiPHI245.7時間、HIMO 評価物体軌跡21.6、OMOMO9.8と違う。
地面定義が比較可能な集合では、五つの滑らかさ・接触誤差指標で最小という。95百分位の床貫通は8mm、BONES-SEED18、AMASS111。無支持浮遊は評価時間の0.015%、支持点漂移64mm毎秒。全体測定で個々の保証ではない。
下流は混在する。押す動作の身体平均関節位置誤差99.20mmは OMOMO66.09より悪いが、物体位置・向きは良い。運搬は身体誤差が二比較より小さく、物体位置誤差は大きい。姿勢と物体を合わせる目的は競合し、全課題勝利ではない。
共通訓練で制御を比較
人間と比例・駆動制限の違う G1 へ動作を変換した。身体のみは DeepMimic 型強化学習で、AMASS、LAFAN1、Motion-X++、BONES-SEED も同予算・同変換と訓練を通す。
3時間・20時間条件で最高成功率と最速収束と報告し、各5回独立訓練した。別実験は反転なし3〜300時間で、他4集合の未使用動作を評価。追加で関節誤差が下がり、10反復の平均と分散帯を示す。
視覚復元でなく制御指標へ収集設計を結ぶが、共通変換器・方策・評価に依存する。別機体や訓練なら相対優位も変わり得る。
実機は走行、着座、這い、箱運び、反転、スーツケース引きを実演した。仮想のみより実行の証拠は強いが、制御環境の選択動作だ。未知職場での物体認識、目的地選択、計画、回復ではない。
追従方策は安定して参考を追う。完全なエージェントは参考の選択も必要だ。機体ごとの変換と安全確認が要り、G1 から全人型へそのまま移らない。
利用の境界
全原記録はスタジオの一人動作で、雑物、凹凸、光変化、予想外の障害や直接対人相互作用がない。受け渡しや共同運搬には複数身体と関係変化が要る。
運動学であり力・触覚ではない。同軌跡でも抵抗や把持圧が違い、壊れ物、滑る物、変形物では重要だ。
反転は左右を増やすが人や収録を増やさない。CoRL の査読に加え、著者評価と実機結果の外部再現が必要だ。
CC BY-NC 4.0 なので無制限商用訓練資料とは言えない。公開包は RGB、音、顔、声を含まず、数値 ID と概括属性を使う。動作に個人性は残り得て、顔なしは識別可能性ゼロではない。
貢献は精密で意味整理された動作参考、同期物体、一部実行技能という構造化基盤だ。独立再訓練、G1 外への移行、力・触覚・視覚の補完が再利用性を試す。動画の広さと計測構造の比較を進めるが、自律性全体は解いていない。