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

Auteurs: 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

Licences

• Accès libre
• Article: arXiv.org perpetual, non-exclusive license 1.0

Selon la licence d'arXiv, tout ce qui suit est rédigé à partir du seul résumé.

Pourquoi c'est important

Les modèles vision-langage-action peinent face aux différences entre corps de robots et à la rareté des données robotiques. Les auteurs rapportent des résultats de pointe en simulation, 98,9 % sur LIBERO et 53,9 % sur RoboCasa, ainsi qu'une capacité cross-embodiment sur cinq plateformes robotiques.

Solution proposée

Being-H0.5 traite les traces d'interaction humaines comme une base commune pour l'interaction physique, est préentraîné sur UniHand-2.0 (plus de 35 000 heures de données multimodales couvrant 30 incarnations) au moyen d'un espace d'action unifié, utilise une conception Mixture-of-Transformers avec des experts Mixture-of-Flow, et ajoute Manifold-Preserving Gating et Universal Async Chunking pour la stabilité en conditions réelles.

Résumé

Nous présentons Being-H0.5, un modèle vision-langage-action (VLA) fondamental conçu pour une généralisation robuste entre embodiments sur des plateformes robotiques variées. Alors que les VLA existants peinent souvent face à l'hétérogénéité morphologique et à la rareté des données, nous proposons un paradigme d'apprentissage centré sur l'humain qui traite les traces d'interaction humaine comme une « langue maternelle » universelle de l'interaction physique. À cette fin, nous présentons UniHand-2.0, la plus grande recette de pré-entraînement incarné à ce jour, qui réunit plus de 35 000 heures de données multimodales issues de 30 embodiments robotiques distincts. Notre approche introduit un Unified Action Space qui projette des commandes robotiques hétérogènes dans des emplacements alignés sémantiquement, ce qui permet aux robots peu dotés en données d'acquérir des compétences à partir de données humaines et de plateformes mieux dotées. Sur cette base centrée sur l'humain, nous concevons un paradigme unifié de modélisation séquentielle et de pré-entraînement multitâche qui relie les démonstrations humaines et l'exécution robotique. Sur le plan architectural, Being-H0.5 utilise une conception Mixture-of-Transformers dotée d'un nouveau cadre Mixture-of-Flow (MoF) qui sépare les primitives motrices partagées d'experts spécialisés propres à chaque embodiment. Enfin, pour stabiliser les politiques entre embodiments dans le monde réel, nous introduisons Manifold-Preserving Gating pour la robustesse face aux dérives sensorielles et Universal Async Chunking pour universaliser la commande par blocs entre des embodiments aux profils de latence et de commande différents. Nous montrons empiriquement que Being-H0.5 obtient des résultats à l'état de l'art sur des benchmarks simulés comme LIBERO (98,9 %) et RoboCasa (53,9 %), tout en présentant de solides capacités cross-embodiment sur cinq plateformes robotiques.

Liens

• arXiv 2601.12993: https://arxiv.org/abs/2601.12993
• PDF: https://arxiv.org/pdf/2601.12993
• Code: https://github.com/BeingBeyond/Being-H
• Page du projet: https://research.beingbeyond.com/being-h05
• Jeu de données: https://huggingface.co/datasets/BeingBeyond/UniHand_Preview