Noitom Robotics a publié HiPHI, un grand jeu de données de mouvement humain destiné à l’entraînement des humanoïdes. L’annonce, faite dans le cadre de la World Robot Conference à Pékin, accompagne la mise en ligne d’un jeu de données sur Hugging Face et d’une vidéo de démonstration montrant le transfert de politiques vers un Unitree G1.
HiPHI rassemble 617,5 heures de données selon Noitom, dont 371,8 heures de mouvement corps entier et 245,7 heures d’interactions humain-objet. L’entreprise indique avoir travaillé avec 132 interprètes et enregistré les scènes à 90 Hz, avec suivi de marqueurs à précision submillimétrique, trajectoires d’objets, maillages 3D synchronisés et annotations sémantiques.
Un corpus pensé pour le passage au robot
Le point important n’est pas seulement le volume. Noitom présente HiPHI comme un corpus structuré autour de FrameNet, afin de décrire des unités de mouvement exploitables par les modèles. Le jeu couvre des gestes locomoteurs, des manipulations, des contacts avec des objets et des enchaînements qui intéressent directement l’apprentissage par imitation.
L’entreprise affirme que des politiques entraînées avec HiPHI ont été transférées sur un Unitree G1 physique pour des actions comme courir, s’asseoir, ramper, porter une boîte ou tirer une valise. Ce type d’indication compte, car beaucoup de jeux de données de capture de mouvement restent utiles en simulation sans démontrer clairement leur passage vers une plateforme humanoïde réelle.
Noitom met le corpus à disposition gratuitement pour la recherche sous licence ModalityNet Open Research License, tandis que les usages commerciaux passent par ModalityNet. Le choix d’Hugging Face comme point d’accès devrait faciliter les premiers tests par des laboratoires et équipes robotiques qui travaillent déjà avec des pipelines de données ouverts.
Ce que cela change pour les humanoïdes
Le marché des humanoïdes cherche à convertir des démonstrations humaines en comportements robustes sur des machines aux proportions, masses et contraintes très différentes. Pour y parvenir, il faut des données riches, mais aussi suffisamment propres pour relier le geste humain aux objets, au contact et au contexte.
HiPHI se place précisément sur cette zone. La promesse de Noitom est de fournir un socle de mouvements avec une précision élevée et une organisation sémantique, puis d’élargir le corpus vers des données dites omni-modales plus tard dans l’année. L’entreprise évoque aussi la prise en charge de formats comme SMPL et SOMA, utiles pour rapprocher capture humaine, animation et robotique.
Reste à voir comment ces données se comporteront dans des scénarios moins contrôlés que les exemples de démonstration. Mais pour les équipes qui entraînent des humanoïdes, la publication d’un corpus récent, documenté et relié à des essais sur robot physique apporte une ressource concrète plutôt qu’une simple annonce de modèle.
