EmemeAI

Der Kern des Produkts ist eine Pipeline, die ein Video liest und menschliche Bewegung schreibt. Sie arbeitet mit YouTube-Links, öffentlichen Webvideos oder eigenem Material, Sie sind also nicht auf eine Quelle festgelegt. Die Ausgabe sind strukturierte Pose-Daten, keine gerenderte Animation, und genau das macht sie als Trainingsmaterial brauchbar. Ememe rahmt den ganzen Ablauf als Motion Capture aus Video und Human-Motion-Data-Engineering, nicht als Kreativwerkzeug.

Ememe liefert Bewegung als 3D-Skelett mit Gelenkpositionen und Rotationen zurück. Die Abdeckung teilt sich in ganzen Körper, Oberkörper und Handpose, Sie wählen also den Detailgrad, den Ihre Aufgabe verlangt. Die Hand-Objekt-Interaktion, der schwierigste Fall für Manipulationsarbeit, ist als kommend und nicht als verfügbar ausgewiesen. Diese Lücke zählt, wenn Ihr Projekt heute auf kontaktintensiver Bewegung aufbaut.

Drei Wege decken fast jede Situation ab. Sie fügen eine YouTube-URL ein, wenn Sie den Clip schon kennen, laden eine lokale MP4 hoch, wenn das Material privat ist, oder suchen per Stichwort, wenn Sie nur die Art der Bewegung kennen. Die Stichwortsuche stützt sich auf KI, um Ihre Anfrage zu erweitern, was hilft, wenn Ihre erste Formulierung zu eng ist. Lokale Uploads nehmen MP4-Dateien bis 1 GB pro Clip an.

Neben dem Skelett gibt Ememe einen zugeschnittenen Videoclip und Textbeschreibungen zurück. Der Clip behält nur den relevanten Abschnitt, Sie sparen sich also das Nachschneiden langer Dateien. Die Labels dienen als Metadaten und geben jeder Bewegungsprobe einen Namen und Kontext. Zusammen lassen sie sich ein Datensatz nach Aktion ordnen, ohne alles von Hand zu beschriften.

Ememe hat Ergebnisse aus dem eigenen RoboCasa GR-1 Tabletop-Benchmark mit dem EmemePT-Framework veröffentlicht, ein Beispiel für Trainingsdaten für Physical AI in der Praxis. Wer Bewegungsdaten extrahieren will, findet hier einen konkreten Beleg. Laut Unternehmen verbesserten seine Bewegungsdaten die Feinjustierung von GR00T über drei beidhändige Manipulationsaufgaben. Cup to drawer stieg von 20 % auf 42 %, bottle to cabinet von 46 % auf 56 % und wine to cabinet von 8 % auf 42 %. Das Unternehmen betont, es handle sich um interne Simulationsergebnisse und die Zugewinne hingen von der jeweiligen Aufgabe ab, also sind sie ein Signal und kein Versprechen.

Für Teams mit Volumen bietet Ememe einen Anfrageweg statt eines direkten Kaufs. Sie beschreiben Ihren Anwendungsfall, die gewünschte Bewegungsklasse und Ihr Ausgabeformat. Das Unternehmen sagt, es könne einen Beispieldatensatz und eine Scoping-Notiz für Massenverarbeitung, eigene Ausgaben oder einen kommerziellen Machbarkeitsnachweis vorbereiten. Dieses Modell passt zu Laboren und Studios mit einem klaren Projekt, nicht zu jemandem, der einen einzelnen Clip testen will. Für Daten für Robotertraining und Daten für Humanoide brauchen solche Teams ohnehin größere Mengen als ein einzelner Clip.