در دنیای هوش مصنوعی مجسم (Embodied AI)، شکاف بزرگی میان داده‌های وسیع اینترنتی و دقت مورد نیاز برای فیزیک واقع‌گرایانه وجود دارد. پروژه HiPHI به عنوان یک بنچمارک مقیاس‌بزرگ، با هدف پر کردن این شکاف از طریق ثبت بیش از ۶۰۰ ساعت داده‌های حرکتی دقیق، نویدبخش جهشی بزرگ در تعامل انسان-روبات است.
چالش داده در حوزه روباتیک انسان‌نما
روبات‌های انسان‌نما برای عملکرد در محیط‌های واقعی نیازمند درک عمیق از تعادل، حرکت و تعامل با اشیاء هستند. پیش از این، توسعه‌دهندگان با دو محدودیت اصلی روبرو بودند: ویدیوهای اینترنتی که تنوع بالایی دارند اما فاقد اطلاعات دقیق فیزیکی و مختصات سه‌بعدی هستند، و سیستم‌های ضبط حرکت (MoCap) آزمایشگاهی که دقت بالایی دارند اما به دلیل هزینه‌بر بودن، تنوع حرکتی بسیار محدودی را پوشش می‌دهند. HiPHI با ترکیب این دو رویکرد، استانداردی صنعتی برای آموزش سیستم‌های هوشمند ایجاد کرده است.
ساختار فنی و دقت داده‌های HiPHI
این مجموعه داده عظیم شامل ۶۱۷.۵ ساعت حرکت تمام‌بدنه انسان است که با استفاده از تکنولوژی پیشرفته ضبط حرکت نوری با دقت زیر میلی‌متر ثبت شده است. از این میان، ۲۴۵.۷ ساعت منحصراً به «تعامل انسان با اشیاء» اختصاص یافته که در آن مسیرهای حرکتی و مش‌های سه‌بعدی اشیاء به صورت همگام‌سازی شده ذخیره شده‌اند. استفاده از چارچوب زبانی FrameNet برای سازماندهی کنش‌ها، باعث شده تا این داده‌ها دارای ساختار معنایی قدرتمندی باشند که برای یادگیری تقویتی (Reinforcement Learning) بسیار حیاتی است.
تحلیل عملکرد روی روبات Unitree G1
یکی از نقاط قوت کلیدی در مستندات HiPHI، گزارش نتایج پیاده‌سازی سیاست‌های آموزش‌دیده (Policies) بر روی روبات انسان‌نمای Unitree G1 است. این تست‌های واقعی ثابت کرده‌اند که مدل‌های آموزش‌دیده بر پایه HiPHI می‌توانند تعاملات پیچیده با محیط را با نرخ خطای به مراتب پایین‌تری نسبت به متدهای سنتی شبیه‌سازی انجام دهند. این پیوند میان داده‌های آزمایشگاهی و سخت‌افزار واقعی، کلید گذار از آزمایشگاه به محیط‌های صنعتی است.
مشخصات فنی دیتاست HiPHI
- حجم کل داده‌ها: ۶۱۷.۵ ساعت ضبط حرکت تمام‌بدنه.
- دقت اندازه‌گیری: زیر میلی‌متر (Sub-millimeter accuracy).
- بخش تعاملی: ۲۴۵.۷ ساعت داده‌های همگام‌سازی شده با اشیاء.
- ساختار طبقه‌بندی: استفاده از متدولوژی FrameNet برای توصیف حرکات.
- پلتفرم تست: روبات انسان‌نمای Unitree G1.
نتیجه‌گیری و آینده هوش مصنوعی مجسم
پروژه HiPHI توسط شرکت Noitom Robotics و با زیرساخت داده‌محور ModalityNet توسعه یافته است. در پاییز ۱۴۰۳، دسترسی به چنین داده‌هایی می‌تواند سرعت توسعه روبات‌های خودمختار را چندین برابر کند. این بنچمارک نه تنها یک مجموعه داده، بلکه یک چارچوب استاندارد برای ارزیابی تنوع حرکتی (Motion Diversity) و زمینه‌سازی تعاملی (Interaction Grounding) است که مسیر را برای ورود روبات‌ها به محیط‌های انسانی هموار می‌سازد.
