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

Autores: 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

Licencias

• Acceso abierto
• Artículo: arXiv.org perpetual, non-exclusive license 1.0

Según la licencia de arXiv, todo lo que sigue está escrito solo a partir del resumen.

Por qué importa

Los modelos de visión-lenguaje-acción tienen dificultades con las diferencias entre cuerpos de robot y con la escasez de datos robóticos. Los autores informan de resultados de vanguardia en simulación, un 98,9 % en LIBERO y un 53,9 % en RoboCasa, y de capacidad cross-embodiment en cinco plataformas robóticas.

Solución propuesta

Being-H0.5 trata las trazas de interacción humana como una base compartida para la interacción física, se preentrena en UniHand-2.0 (más de 35 000 horas de datos multimodales de 30 morfologías) mediante un espacio de acción unificado, utiliza un diseño Mixture-of-Transformers con expertos Mixture-of-Flow y añade Manifold-Preserving Gating y Universal Async Chunking para lograr estabilidad en el mundo real.

Resumen

Presentamos Being-H0.5, un modelo fundacional de visión-lenguaje-acción (VLA) diseñado para una generalización robusta entre embodiments en plataformas robóticas diversas. Mientras que los VLA existentes suelen tener dificultades con la heterogeneidad morfológica y la escasez de datos, proponemos un paradigma de aprendizaje centrado en el ser humano que trata las trazas de interacción humana como una «lengua materna» universal para la interacción física. Para ello presentamos UniHand-2.0, la mayor receta de preentrenamiento corporeizado hasta la fecha, con más de 35.000 horas de datos multimodales de 30 embodiments robóticos distintos. Nuestro enfoque introduce un Unified Action Space que proyecta mandos robóticos heterogéneos en ranuras semánticamente alineadas, de modo que los robots con pocos recursos puedan adquirir habilidades a partir de datos humanos y de plataformas con muchos recursos. Sobre esta base centrada en el ser humano, diseñamos un paradigma unificado de modelado secuencial y preentrenamiento multitarea que conecta las demostraciones humanas con la ejecución robótica. En su arquitectura, Being-H0.5 usa un diseño Mixture-of-Transformers (mezcla de transformadores) con un nuevo marco Mixture-of-Flow (MoF) que separa las primitivas motoras compartidas de expertos especializados por embodiment. Por último, para que las políticas entre embodiments sean estables en el mundo real, introducimos Manifold-Preserving Gating para ganar robustez ante cambios sensoriales y Universal Async Chunking para universalizar el control por bloques entre embodiments con distintos perfiles de latencia y de control. Demostramos empíricamente que Being-H0.5 alcanza resultados de vanguardia en benchmarks simulados como LIBERO (98,9 %) y RoboCasa (53,9 %), y muestra además sólidas capacidades cross-embodiment en cinco plataformas robóticas.

Enlaces

• arXiv 2601.12993: https://arxiv.org/abs/2601.12993
• PDF: https://arxiv.org/pdf/2601.12993
• Código: https://github.com/BeingBeyond/Being-H
• Página del proyecto: https://research.beingbeyond.com/being-h05
• Conjunto de datos: https://huggingface.co/datasets/BeingBeyond/UniHand_Preview