HiPHI proponuje inny punkt wyjścia do uczenia humanoidów niż samo gromadzenie coraz większej liczby filmów z internetu. Chodzi o zmierzone stany ciała i obiektów, których różnorodność zaplanowano przy użyciu struktury semantycznej. Deklarowane 617,5 godziny obejmuje jednak lustrzane odbicia 308,7 godziny oryginalnych nagrań. Ta różnica ma zasadnicze znaczenie dla oceny zarówno skali zbioru, jak i twierdzeń o poprawie sterowania robotem.
Pracę zgłoszono 17 sierpnia 2026 roku, a jej poprawioną wersję opublikowano 8 września. Według rekordu badawczego została przyjęta na konferencję CoRL 2026. Wyniki przedstawione przez twórców łączą jakość danych z wyuczonymi politykami śledzenia ruchu i wybranymi demonstracjami Unitree G1. Nie pokazują natomiast robota ogólnego przeznaczenia, który samodzielnie rozumie i wykonuje nieznane wcześniej zadania.
Co zawierają dane
132 wykonawców rejestrowano optycznie przy 90 Hz, deklarując dokładność markerów poniżej milimetra. To nie gwarancja takiego błędu każdego stawu robota po przeniesieniu. Jest około 200,1 mln klatek, BVH z 55 stawami, opisy i identyfikatory semantyczne.
371,8 godziny to samo ciało, 245,7 interakcja człowiek–obiekt, czyli 39,8%. Pozycja, orientacja i siatki obiektów są zsynchronizowane, jeden stan na klatkę ciała. Czterdzieści obiektów w dwunastu kategoriach waży 0,45–6,25 kg; są warianty lustrzane.
Siedzenie zależy od krzesła, pchanie zmienia równowagę i stopy. Samo ciało gubi tę informację. Film wymaga szacowania głębi, zasłonięcia i kontaktu. Capture mierzy bezpośrednio, lecz studio nie ma różnorodności i spontaniczności internetu.
HiPHI wzmacnia warstwę, nie zastępuje wszystkich źródeł. Ludzie dają zachowanie, geometria ogranicza imitację, a trening robotyczny musi uczynić odniesienia wykonalnymi.
FrameNet planuje zbieranie
Zdarzenia i znaczenia Berkeley FrameNet są punktami wyjścia. Frame-LU rozróżnia bieg od prowadzenia firmy. Jest 22 ramek i 214 jednostek.
Nazwy nie są różnorodnością fizyczną. Wycieranie czoła i osłanianie oczu bywają podobne; chodzenie kryje tempo, kierunek, krok, skręt i wysokość. Instrukcje zmieniają amplitudę, rytm, postawę, kontakt, obciążenie i tor.
Najczęstsze pięćdziesiąt etykiet obejmuje 53,7% czasu, poza nimi 46,3%. Mediana to 24 osoby na jednostkę; 154 jednostki mają co najmniej dziesięć. Łączy to typowe ruchy z długim ogonem i ogranicza styl pojedynczej osoby.
Test normalizuje do 23 punktów i 30 fps, ze wspólnym nienadzorowanym enkoderem i równymi próbkami. HiPHI zajmuje 1620 komórek projekcji wobec 1438 BONES-SEED, efektywnie 1443 wobec 1114. Efektywność uwzględnia rozkład, nie samo wystąpienie.
Długi ogon wynosi 14,1% wobec 10,7%. Przewaga trwa w testowanych ziarnach, projekcjach i siatkach. To wynik konkretnej reprezentacji, nie dowód pełnego pokrycia rozmaitości ruchu. Balans jest lepszy niż same godziny, ale projekcja nie mierzy wszystkiego.
Geometria nie jest siłą
HiPHI podaje 98,1% bezkolizyjności i 95,7% bliskości powierzchni: brak przenikania szkieletu i wiarygodny kontakt. HIMO ma 97,6% i 79,0%, OMOMO 90,6% i 50,4%.
Bliska dłoń nie musi stosować właściwej siły ani stabilnego chwytu. Tarcie, dotyk i obciążenie nie są sprawdzane. Ilości też są różne: HiPHI 245,7 godziny, HIMO ocenione tory 21,6, OMOMO 9,8.
Przy porównywalnych podłogach autorzy deklarują minima pięciu miar płynności i artefaktów. Penetracja podłoża w 95. percentylu to 8 mm wobec 18 BONES-SEED i 111 AMASS. Unoszenie bez wsparcia: 0,015% czasu; dryf punktu podparcia: 64 mm/s. Statystyki nie gwarantują każdego klipu.
Wyniki zadań są mieszane. Pchanie daje błąd stawów ciała 99,20 mm, gorszy od OMOMO 66,09, ale lepsze pozycje i orientacje obiektu. Noszenie poprawia ciało wobec obu porównań, pogarsza pozycję obiektu. Cele konkurują, więc nie ma zwycięstwa wszędzie.
Wspólny trening bada sterowanie
Ruchy przeniesiono na G1 o innych proporcjach i napędach. Polityki ciała używają uczenia ze wzmocnieniem typu DeepMimic. AMASS, LAFAN1, Motion-X++ i BONES-SEED przechodzą ten sam proces przy równych budżetach.
HiPHI ma deklarowany najwyższy sukces i najszybszą zbieżność dla trzech i dwudziestu godzin, w pięciu niezależnych treningach. Skalowanie używa nieodbitych danych od trzech do 300 godzin, z testem na odłożonych ruchach czterech innych zbiorów. Błąd spada; dziesięć powtórzeń daje średnie i wariancję.
To wiąże zbieranie ze sterowaniem, nie tylko obrazem. Zależy od wspólnego retargetera, polityki i metryk; inne roboty mogą zmienić przewagę.
Fizyczny G1 biegał, siadał, pełzał, niósł pudełko, wykonywał obroty i ciągnął walizkę. Sprzęt wzmacnia wykonalność, ale to wybrane kontrolowane zachowania, nie autonomiczne rozpoznanie, cel, plan i odzyskiwanie w obcym miejscu.
Polityka stabilnie śledzi wzorzec; pełny agent musi go wybrać. Potrzebne są dostosowanie i bezpieczeństwo każdego ciała, nie niezmienny transfer na wszystkie humanoidy.
Granice adopcji
Wszystkie oryginały są studyjne i jednoosobowe, bez bałaganu, nierówności, zmian światła, niespodzianek i kontaktu ludzi. Przekazywanie i wspólne noszenie wymagają wielu ciał.
Dane są kinematyką, nie siłami ani dotykiem. Podobne tory mają różne opory i naciski, ważne dla delikatnych, śliskich lub deformowalnych rzeczy.
Odbicie dodaje strony, nie osoby i sesje. CoRL dodaje recenzję; szersze zaufanie wymaga zewnętrznych powtórzeń porównań i sprzętu.
CC BY-NC 4.0 nie jest nieograniczonym treningiem komercyjnym. Pakiet wyklucza RGB, audio, twarze i głosy, używa liczbowych ID oraz uogólnionych cech. Ruch może być indywidualny, więc brak twarzy nie oznacza braku identyfikowalności.
Wkład to strukturalna infrastruktura precyzyjnych i semantycznych wzorców z obiektami oraz wybranymi wykonalnymi umiejętnościami. Niezależny trening, inne ciała i siła, dotyk lub obraz sprawdzą użyteczność. HiPHI rozwija porównanie szerokości wideo i mierzonej fizyki, nie rozwiązuje całej autonomii.