外观
新闻IEEE Spectrum Robotics22 天前
Noitom发布HiPHI基准：617小时亚毫米级动捕验证G1交互迁移
Noitom Robotics联合IEEE Spectrum发布HiPHI基准，含617.5小时亚毫米级全身动捕及245.7小时人-物交互数据。基于FrameNet语义框架覆盖搬运推拉任务，已在Unitree G1上验证强化学习策略Sim-to-Real迁移有效性。
宇树 G1本文由 AI 根据公开内容整理，可能有误，请以原文为准：HiPHI: A Large-Scale Benchmark for High-Precision Human Motion and Object Interaction（IEEE Spectrum Robotics）
核心内容
Noitom Robotics联合IEEE Spectrum正式发布面向人形机器人学习的HiPHI大规模高精度基准数据集。该数据集总时长达617.5小时，采用光学动捕系统实现亚毫米级精度采集，其中包含245.7小时同步记录的人-物交互数据。研究旨在解决互联网视频缺乏物理状态真值、传统实验室动捕动作覆盖面窄的痛点，并已在Unitree G1人形机器人上完成强化学习策略的实机部署验证，填补了具身智能高精度交互数据空白。
技术层面，HiPHI引入语言学框架FrameNet指导数据采集，系统化覆盖搬运、推拉等真实世界任务所需的全身运动空间。数据集提供精确同步的物体轨迹与Mesh模型，支持高保真交互策略训练。配套基准套件可量化评估运动多样性与交互接地能力，实验表明基于该数据训练的RL策略具备随数据规模提升的性能增益，并成功通过Sim-to-Real迁移至物理本体，为具身智能提供了标准化的数据底座与评测工具。
关键看点
- 数据规格：包含617.5小时全身动捕数据，光学捕捉精度达亚毫米级，其中245.7小时为人-物交互片段，提供同步物体轨迹与Mesh模型
- 采集方法论：采用语言学框架FrameNet指导动作设计，系统化覆盖搬运、推、拉等复杂交互任务，解决传统数据集动作空间覆盖不全问题
- 实机验证：基于该数据集训练的强化学习策略已成功部署于Unitree G1人形机器人，验证了从仿真到真机的策略迁移有效性
- 评测体系：发布专用基准套件用于量化运动多样性与交互接地能力，证实策略性能随数据规模扩大而持续提升
工程与产业观察
HiPHI通过FrameNet语义引导与亚毫米级真值标注，构建了从数据采集到Sim-to-Real验证的完整闭环。其核心价值在于证明了结构化、高精度交互数据对人形机器人RL策略泛化的决定性作用，为行业提供了超越纯视频预训练的物理对齐范式，对具身大模型落地具有关键参考意义。
来源
本页事实对应的公开页面，以原文为准。