データセット/ベンチマーク2026/8/17arXiv:2608.16222v1

HiPHI: 高精度な人体動作と物体インタラクションのための大規模ベンチマーク

HiPHI: A Large-Scale Benchmark for High-Precision Human Motion and Object-Interaction

本論文は、600時間以上の高精度な全身動作と物体インタラクションを収録した大規模データセットHiPHIを構築し、動作多様性やインタラクションの接地性を評価するベンチマークを提案した。

詳しい要約

1. どんなもの？

HiPHIは、高精度な全身動作と物体インタラクションを捉えた大規模ベンチマークデータセットである。600時間以上のデータを含み、光学式モーションキャプチャを用いてサブミリメートル精度のマーカー追跡とメッシュレベルの物体軌跡を提供する。データセットはFrameNetという言語学的フレームワークに基づき、人間の動作とインタラクションの多様性を体系的に最大化するよう設計されている。また、動作空間の多様性、インタラクションの接地、物体の一貫性、物理AI応用を評価するベンチマークスイートも含む。

2. 先行研究と比べてどこがすごい？

既存のデータセットは、インターネット規模のビデオデータは物理状態やインタラクションの接地が不十分であり、実験室のモーションデータは高忠実度だが行動範囲が狭いという限界があった。HiPHIは、高忠実度を維持しつつ、動作とインタラクションの多様性を大幅に拡大することで、これらのギャップを埋める。特に、FrameNetに基づく理論的ガイドにより、人間の動作とインタラクションの多様性を体系的にカバーする点が革新的である。

3. 技術・手法の肝は？

手法の肝は、FrameNetという言語学的フレームワークを用いてデータ収集を体系的に設計し、光学式モーションキャプチャパイプラインを構築した点にある。これにより、全身動作のサブミリメートル精度のマーカー追跡と、メッシュレベルの物体軌跡を同時に取得する。データセットは600時間以上にわたり、動作とインタラクションの多様性を最大化するように設計されている。

4. どうやって有効だと検証した？

有効性の検証は、既存のモーションデータセットと比較して、動作空間の多様性が大幅に拡大していることを示す分析と、インタラクションの接地、物体の一貫性、物理AI応用に関するベンチマーク評価を通じて行われた。具体的な評価指標や結果の詳細は要旨からは不明である。

5. 議論はある？

要旨からは、データセットの規模と多様性の拡大が示されているが、実際のヒューマノイドポリシー学習における性能向上や、他のデータセットとの比較における具体的な数値は不明である。また、光学式モーションキャプチャの制約（屋外や大規模環境での利用困難など）や、データ収集のコストに関する議論は要旨に含まれていない。

6. 次に読むべき論文は？

要旨で参照されているFrameNet（言語学的フレームワーク）と、既存のモーションデータセット（例：AMASS、Human3.6Mなど）が関連する。また、物理AI応用やヒューマノイドポリシー学習に関する研究（例：Learning dexterous manipulation, Humanoid locomotion）も関連する。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Jiahao Ji, Ji Ma, Runhan Zhang, Runyi Yu, Wenjia Wang, Weiheng Chi, Qianqian Peng, Weichao Yan, Yongfei Gu, Ye Tian, Ting Wu, Longwei Li, Chun Yuan, Ruoli Dai, Lei Han

分類: cs.RO, cs.AI

原文アブストラクト

Humanoid intelligence requires learning over an extremely diverse space of whole-body motions and physically grounded interactions. However, existing embodied datasets remain fundamentally limited: internet-scale video data lack precise physical states and interaction grounding, while laboratory motion datasets provide high fidelity but only narrow behavioral coverage. This mismatch creates a critical bottleneck for scalable humanoid policy learning. We present HiPHI, a 600+ hour scale high-fidelity whole-body human motion dataset designed to systematically maximize coverage of the human motion and interaction manifold. HiPHI is theoretically guided by FrameNet, a linguistic framework organizing human primitives. Created using an optical motion capture pipeline, HiPHI provides sub-millimeter spatial marker tracking accuracy for full-body human motion and mesh-level object trajectories. We further introduce a benchmark suite evaluating motion-space diversity, interaction grounding, object consistency, and physical AI applications. Our analyses demonstrate that HiPHI significantly expands motion coverage compared to existing motion datasets while maintaining high-fidelity interaction quality, and establishes a scalable data foundation for training, evaluating, and generalizing humanoid policies in real-world embodied tasks, where similar extensions are also applicable to motion prior models in computer graphics.

arXivで原文を読む →arXiv概要ページ

← 論文一覧