← أحدث الأبحاث
🤖 AI

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

تُعدُّ HiPHI مجموعة بيانات مرجعية واسعة النطاق وعالية الدقة، تضم أكثر من 600 ساعة من بيانات حركة جسم الإنسان وتفاعله مع الأشياء، وقد صُممت للتغلب على قيود مجموعات البيانات الحالية المخصصة للنماذج المجسدة عبر الجمع بين دقة تبلغ أجزاءً من المليمتر وتنوع موجه نظرياً لتمكين التدريب والتقييم القابل للتوسع لسياسات الروبوتات البشرية.

المؤلفون الأصليون: 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

نُشر 2026-08-18
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: 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

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

لتعليم روبوت التحرك مثل البشر، يجب على المهندسين أولاً حل معضلة. فهم بحاجة إلى بيانات واسعة بما يكفي لتغطية التنوع الهائل لما قد يفعله الشخص، وفي الوقت نفسه دقيقة بما يكفي لالتقاط الفيزياء الدقيقة لكيفية استقرار قدم أو كيفية إمساك يد بمقبض. لسنوات، ظل هذا المجال عالقاً بين خيارين غير كاملين. فمن ناحية، هناك ملايين الساعات من فيديوهات الإنترنت؛ وهي تُظهر نطاقاً هائلاً من السلوك البشري، لكنها مجرد صور، فهي تفتقر إلى التفاصيل الفيزيائية الخفية، مثل الوزن الدقيق لشيء يتم رفعه أو القوة الدقيقة لخطوة ما. ومن ناحية أخرى، هناك تسجيلات مختبرية تم إجراؤها باستخدام كاميرات خاصة تتبع كل مفصل من مفاصل الجسم؛ وهي دقيقة للغاية، لكنها عادة ما تغطي مجموعة ضيقة فقط من الأفعال، وغالباً ما تفتقر إلى التفاعلات المعقدة والفوضوية مع الأشياء الحقيقية التي تحدث في العالم الواقعي. وبدون وجود جسر بين هذين العالمين، تعاني الروبوتات في تعلم كيفية التحرك بأمان وفعالية في بيئة فيزيائية.

لقد بنى فريق من الباحثين ذلك الجسر من خلال مجموعة بيانات جديدة تسمى HiPHI. لقد أنشأوا مكتبة ضخمة للحركة البشرية، سجلت أكثر من 600 ساعة من الحركة عالية الدقة من 132 شخصاً مختلفاً. وخلافاً للمحاولات السابقة التي اعتمدت على كتاب يقومون يدوياً بابتكار قوائم من الأفعال لتصويرها، استخدم هذا الفريق نظاماً مهيكلاً يعتمد على كيفية تنظيم اللغة للأحداث. لقد بدأوا بإطار لغوي يفكك الأفعال البشرية إلى وحدات محددة وذات معنى، ثم قاموا بتوسيع كل وحدة بشكل منهجي عبر تغيير عوامل مثل السرعة، والاتجاه، والأشياء المستخدمة. والنتيجة هي مجموعة بيانات لا تشمل حركة جسم الإنسان فحسب، بل تشمل أيضاً الحركة المتزامنة للأشياء الحقيقية، من الأثاث إلى المعدات الرياضية. ومن خلال تسجيل الجسم والشيء معاً بدقة تصل إلى أجزاء من المليمتر، ضمن الباحثون أن البيانات تعكس القيود الفيزيائية الحقيقية للعالم، مثل الاحتكاك، والوزن، والتوازن.

تم تصميم عملية الجمع لتكون شاملة بدلاً من أن تكون عشوائية. فبدلاً من تصوير ممثلين يؤدون سيناريوهات عشوائية، عامل الفريق إنشاء مجموعة البيانات كبناء خريطة. بدأوا بمجموعة من مفاهيم الأفعال الأساسية، مثل "المشي" أو "الحمل"، ثم ولدوا مئات المتغيرات لكل منها. فقد تم تصوير مفهوم واحد مثل المشي بسرعات مختلفة، وفي اتجاهات مختلفة، وبأطوال خطوة مختلفة، وأثناء حمل أحمال ذات أوزان متفاوتة. سمح هذا النهج بتغطية كامل مساحة الحركات البشرية الممكنة بطريقة منطقية، مما ضمن عدم ترك أي نوع رئيسي من الحركة دون تسجيل. تحتوي مجموعة البيانات النهائية على أكثر من 200 مليون إطار من الحركة، بما في ذلك ما يقرب من 250 ساعة من التسلسلات حيث يتفاعل الناس مع 40 شيئاً مختلفاً من العالم الحقيقي. وكل مقطع فيديو مصنف بعلامة (Tag) تصف الفعل والسياق بدقة، مما يسهل على الباحثين العث/ تحديد نوع الحركة التي يحتاجون لتعليمها للروبوت بالضبط.

تم اختبار جودة هذه البيانات بصرامة لضمان إمكانية استخدامها فعلياً لتدريب الروبوتات. فقد تحقق الباحثون من الأخطاء الشائعة التي تعيب مجموعات البيانات الأخرى، مثل غوص الأقدام في الأرض أو طفو الأجسام في الهواء دون دعم. وأظهرت قياساتهم أن HiPHI أكثر نظافة واتساقاً من الناحية الفيزيائية مقارنة بمكتبات الحركة الضخمة الموجودة. وعندما استخدموا هذه البيانات لتدريب روبوت بشري في محاكاة حاسوبية، تعلم الروبوت المشي والجلوس وحمل الأشياء بشكل أسرع وأكثر موثوقية مما تعلمه عند التدريب على مجموعات بيانات أخرى. تمكن الروبوت من الحفاظ على توازنه وتنفيذ مهام معقدة، مثل دفع صندوق ثقيل أو قلب حقيبة سفر، بمستوى من الاستقرار كان من الصعب تحقيقه سابقاً. وقد أشارت هذه المحاكاة إلى أن البيانات تلتقط الإشارات الفيزيائية الدقيقة اللازمة لكي تفهم الآلة كيفية تحريك جسمها بالنسبة للعالم من حولها.

تأكد نجاح المشروع بشكل أكبر عندما نقل الفريق الروبوت المدرب من المحاكاة إلى أرض مختبر حقيقي. وبالرغم من التحديات المتعلقة بالحساسات الواقعية والحدود الميكانيكية، نجح الروبوت في أداء السلوكيات المتنوعة التي تعلمها من بيانات HiPHI؛ فقد ركض، وجلس، وزحف، وحمل صندوقاً، وسحب حقيبة سفر، مما أثبت أن التسجيلات عالية الدقة يمكن ترجمتها إلى فعل فيزيائي حقيقي. وقد أثبت هذا أن مجموعة البيانات لا تكتفي بوصف الحركة فحسب، بل توفر أساساً موثوقاً لتعليم الآلات كيفية التفاعل مع العالم المادي. وبينما تركز مجموعة البيانات الحالية على حركات الشخص الواحد ولا تشمل بعد التفاعلات بين عدة أشخاص أو القياسات المباشرة لقوى اللمس، إلا أنها تمثل خطوة كبيرة إلى الأمام. ومن خلال توفير سجل واسع النطاق ومستند إلى أسس فيزيائية للحركة البشرية، تقدم HiPHI معياراً جديداً لتطوير روبوتات يمكنها التحرك بنفس النعمة والقدرة على التكيف التي يتمتع بها البشر الذين صُممت لمساعدتهم.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →