Being-H0.5: Scaling Human-Centric Robot Learning for Cross-Embodiment Generalization

Autoren: Hao Luo, Ye Wang, Wanpeng Zhang, Sipeng Zheng, Ziheng Xi, Chaoyi Xu, Haiweng Xu, Haoqi Yuan, Chi Zhang, Yiqing Wang, Yicheng Feng, Zongqing Lu · CoRL 2026

Lizenzen

• Open Access
• Paper: arXiv.org perpetual, non-exclusive license 1.0

Gemäß der Lizenz von arXiv beruht alles Folgende nur auf dem Abstract.

Warum es wichtig ist

Vision-Language-Action-Modelle haben Schwierigkeiten mit Unterschieden zwischen Roboterkörpern und mit knappen Roboterdaten. Die Autoren berichten von Simulationsergebnissen auf dem Stand der Technik, 98,9 % auf LIBERO und 53,9 % auf RoboCasa, sowie von Cross-Embodiment-Fähigkeit auf fünf Roboterplattformen.

Lösungsansatz

Being-H0.5 behandelt menschliche Interaktionsspuren als gemeinsame Grundlage für physische Interaktion, wird über einen vereinheitlichten Aktionsraum auf UniHand-2.0 vortrainiert (über 35.000 Stunden multimodaler Daten aus 30 Embodiments), nutzt ein Mixture-of-Transformers-Design mit Mixture-of-Flow-Experten und ergänzt Manifold-Preserving Gating und Universal Async Chunking für Stabilität in der realen Welt.

Zusammenfassung

Wir stellen Being-H0.5 vor, ein grundlegendes Vision-Language-Action-Modell (VLA), das für robuste Cross-Embodiment-Generalisierung über verschiedene Roboterplattformen hinweg entworfen ist. Während bestehende VLAs oft mit morphologischer Heterogenität und Datenknappheit kämpfen, schlagen wir ein menschzentriertes Lernparadigma vor, das menschliche Interaktionsspuren als universelle „Muttersprache“ physischer Interaktion behandelt. Dafür präsentieren wir UniHand-2.0, das bislang größte verkörperte Pre-Training-Rezept mit über 35.000 Stunden multimodaler Daten aus 30 verschiedenen Roboter-Embodiments. Unser Ansatz führt einen Unified Action Space ein, der heterogene Robotersteuerungen auf semantisch ausgerichtete Slots abbildet, sodass ressourcenarme Roboter Fähigkeiten aus menschlichen Daten und von ressourcenreichen Plattformen übernehmen können. Auf dieser menschzentrierten Grundlage entwerfen wir ein einheitliches sequenzielles Modellierungs- und Multi-Task-Pre-Training-Paradigma, das menschliche Demonstrationen und robotische Ausführung verbindet. Architektonisch nutzt Being-H0.5 ein Mixture-of-Transformers-Design mit einem neuartigen Mixture-of-Flow-Framework (MoF), das gemeinsame motorische Primitive von spezialisierten, embodiment-spezifischen Experten trennt. Damit Cross-Embodiment-Policies in der realen Welt stabil laufen, führen wir schließlich Manifold-Preserving Gating für Robustheit bei Sensorverschiebungen und Universal Async Chunking ein, das Steuerung in Chunks über Embodiments mit unterschiedlichen Latenz- und Steuerprofilen vereinheitlicht. Wir zeigen empirisch, dass Being-H0.5 auf simulierten Benchmarks wie LIBERO (98,9 %) und RoboCasa (53,9 %) State-of-the-Art-Ergebnisse erzielt und zugleich starke Cross-Embodiment-Fähigkeiten auf fünf Roboterplattformen zeigt.

Links

• arXiv 2601.12993: https://arxiv.org/abs/2601.12993
• PDF: https://arxiv.org/pdf/2601.12993
• Code: https://github.com/BeingBeyond/Being-H
• Projektseite: https://research.beingbeyond.com/being-h05
• Datensatz: https://huggingface.co/datasets/BeingBeyond/UniHand_Preview