O lançamento do HiPHI propõe um ponto de partida para a aprendizagem de humanoides diferente de simplesmente recolher mais vídeos da internet. O conjunto contém estados medidos do corpo e dos objetos, deliberadamente diversificados por um plano semântico de recolha. As 617,5 horas anunciadas incluem, porém, o espelhamento esquerda-direita de 308,7 horas de captura original. Essa distinção é central para avaliar tanto a escala do conjunto como a alegação de que melhora o controlo de robôs.
O artigo foi submetido em 17 de agosto de 2026, revisto em 8 de setembro e, segundo o registo da investigação, aceite na CoRL 2026. As avaliações apresentadas pelos próprios autores relacionam a qualidade dos dados com políticas aprendidas de acompanhamento de movimentos e com demonstrações selecionadas do Unitree G1. Não demonstram um robô de uso geral capaz de compreender e executar de forma independente tarefas desconhecidas.
Conteúdo real
Captura óptica a 90 Hz registrou 132 pessoas, com precisão submilimétrica declarada dos marcadores. Não garante igual erro em cada junta robótica retargeteada. São cerca de 200,1 milhões de quadros, BVH de 55 juntas, descrições e identificadores.
Há 371,8 horas só de corpo e 245,7 de interação humano-objeto, 39,8%. Posição, orientação e malhas são sincronizadas, uma entrada por quadro corporal. Quarenta objetos em doze categorias pesam 0,45–6,25 kg, com versões espelhadas.
Sentar depende da cadeira; empurrar muda equilíbrio e pés. Corpo sozinho perde isso. Vídeo exige estimar profundidade, oclusão e contato. Captura mede diretamente, sem toda variedade e espontaneidade da internet.
Assim, o HiPHI reforça uma camada dos dados de treino, em vez de substituir todas as fontes disponíveis. As demonstrações humanas fornecem comportamentos; a geometria medida impõe restrições à imitação. Continua a ser necessário um treino específico para cada robô que transforme essas referências em comandos de controlo que o equipamento consiga executar.
FrameNet planeja a coleta
Eventos e sentidos Berkeley FrameNet são sementes. Frame-LU separa correr fisicamente de dirigir uma empresa. São 22 quadros e 214 unidades.
Nomes não são diversidade física. Limpar testa e proteger olhos podem se parecer; caminhar esconde velocidade, direção, passo, giro e altura. Instruções variam amplitude, ritmo, postura, contato, carga e percurso.
As cinquenta etiquetas comuns somam 53,7% do tempo; 46,3% ficam fora. A mediana é 24 pessoas por unidade, com 154 unidades de pelo menos dez. Combina frequência e cauda longa, reduzindo estilo individual.
O teste normaliza para 23 pontos a 30 fps, com codificador não supervisionado comum e amostras equilibradas. HiPHI ocupa 1.620 células contra 1.438 BONES-SEED; ocupação efetiva 1.443 contra 1.114. Esta reflete distribuição, não só presença.
A cauda longa é 14,1% contra 10,7%. A vantagem persiste nas sementes, projeções e grades testadas. Não prova cobertura universal da variedade de movimentos. Equilibrar informa mais que horas, mas projeção reduzida não mede tudo.
Geometria não mede força
HiPHI relata 98,1% sem conflito e 95,7% perto da superfície, para evitar penetração e manter proximidade plausível. HIMO tem 97,6% e 79,0%; OMOMO 90,6% e 50,4%.
Mão próxima não prova força certa ou pega estável. Atrito, tato e carga real não são verificados. Volumes diferem: HiPHI 245,7 horas, HIMO 21,6 de trajetórias avaliadas, OMOMO 9,8.
Com pisos comparáveis, autores relatam mínimos em cinco medidas de suavidade e artefatos. Penetração no percentil 95: 8mm contra 18 BONES-SEED e 111 AMASS. Flutuação sem apoio: 0,015% do tempo; deriva do apoio: 64mm/s. Estatísticas globais não garantem cada trecho.
Resultados posteriores são mistos. Empurrar tem erro corporal médio por junta 99,20mm, pior que OMOMO 66,09, mas objeto melhor em posição e orientação. Carregar melhora corpo contra ambos e piora posição do objeto. Objetivos competem; não há vitória universal.
Treinamento compartilhado testa controle
Referências foram adaptadas ao G1 de proporções e atuadores distintos. Políticas usam reforço tipo DeepMimic. AMASS, LAFAN1, Motion-X++ e BONES-SEED passam pela mesma adaptação e orçamento.
HiPHI relata maior sucesso e convergência mais rápida em três e vinte horas, com cinco execuções. Escala usa dados não espelhados de três a 300 horas, testados com movimentos reservados de quatro outros conjuntos. Erros caem; dez repetições dão médias e variância.
Liga coleta a controle, não só reconstrução. Depende de adaptador, política e métricas comuns; outros corpos podem mudar a vantagem.
G1 real correu, sentou, rastejou, carregou caixa, fez giros e puxou mala. Hardware real reforça execução, mas são comportamentos escolhidos controlados, não reconhecimento, destino, planejamento ou recuperação autônomos em trabalho desconhecido.
Uma política acompanha referência estável; um agente completo também escolhe qual. Cada corpo exige adaptação e segurança, não transferência intacta a todos.
Limites de adoção
Toda captura original é individual de estúdio, sem desordem, piso irregular, luz variável, surpresa ou contato humano direto. Entrega e transporte conjunto exigem vários corpos.
É cinemática, não força ou tato. Trajetórias semelhantes podem ter resistências e pressões diferentes, importantes com objetos frágeis, escorregadios ou deformáveis.
Espelho acrescenta lados, não pessoas ou sessões. CoRL acrescenta revisão; comparações e hardware precisam reprodução externa.
CC BY-NC 4.0 não é treinamento comercial irrestrito. O pacote exclui RGB, áudio, rostos e voz, com IDs numéricos e atributos gerais. Movimento ainda pode identificar padrões; sem rosto não significa identificação impossível.
A contribuição é infraestrutura estruturada de referências precisas, semânticas, objetos e algumas habilidades executáveis. Retreino independente, outros corpos e força, tato ou visão testarão reutilização. Avança o contraste entre vídeo amplo e física medida, sem resolver o restante da autonomia.