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

Autori: 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

Licenze

• Open access
• Articolo: arXiv.org perpetual, non-exclusive license 1.0

In base alla licenza di arXiv, tutto ciò che segue è scritto solo a partire dall'abstract.

Perché è importante

I modelli visione-linguaggio-azione faticano con le differenze tra i corpi dei robot e con la scarsità di dati robotici. Gli autori riportano risultati allo stato dell'arte in simulazione, 98,9 % su LIBERO e 53,9 % su RoboCasa, e capacità cross-embodiment su cinque piattaforme robotiche.

Soluzione proposta

Being-H0.5 tratta le tracce di interazione umana come base condivisa per l'interazione fisica, viene preaddestrato su UniHand-2.0 (oltre 35.000 ore di dati multimodali su 30 embodiment) attraverso uno spazio d'azione unificato, adotta un design Mixture-of-Transformers con esperti Mixture-of-Flow e aggiunge Manifold-Preserving Gating e Universal Async Chunking per la stabilità nel mondo reale.

Abstract

Presentiamo Being-H0.5, un modello Vision-Language-Action (VLA) fondazionale progettato per una generalizzazione cross-embodiment robusta su piattaforme robotiche diverse. Mentre i VLA esistenti faticano spesso con l'eterogeneità morfologica e la scarsità di dati, proponiamo un paradigma di apprendimento centrato sull'essere umano che tratta le tracce di interazione umana come una "lingua madre" universale per l'interazione fisica. A questo scopo presentiamo UniHand-2.0, la più ampia ricetta di pre-addestramento incarnato finora, con oltre 35.000 ore di dati multimodali da 30 embodiment robotici distinti. Il nostro approccio introduce uno Unified Action Space che mappa comandi robotici eterogenei in slot semanticamente allineati, così che i robot con poche risorse possano acquisire abilità dai dati umani e dalle piattaforme con molte risorse. Su questa base centrata sull'essere umano progettiamo un paradigma unificato di modellazione sequenziale e pre-addestramento multitask che collega le dimostrazioni umane all'esecuzione robotica. Dal punto di vista architetturale, Being-H0.5 usa un design Mixture-of-Transformers con un nuovo framework Mixture-of-Flow (MoF) che separa le primitive motorie condivise da esperti specializzati per ciascun embodiment. Infine, per rendere stabili nel mondo reale le policy cross-embodiment, introduciamo Manifold-Preserving Gating per la robustezza agli spostamenti sensoriali e Universal Async Chunking per universalizzare il controllo a blocchi tra embodiment con profili di latenza e di controllo diversi. Dimostriamo empiricamente che Being-H0.5 ottiene risultati allo stato dell'arte su benchmark simulati come LIBERO (98,9%) e RoboCasa (53,9%), mostrando anche solide capacità cross-embodiment su cinque piattaforme robotiche.

Link

• arXiv 2601.12993: https://arxiv.org/abs/2601.12993
• PDF: https://arxiv.org/pdf/2601.12993
• Codice: https://github.com/BeingBeyond/Being-H
• Pagina del progetto: https://research.beingbeyond.com/being-h05
• Dataset: https://huggingface.co/datasets/BeingBeyond/UniHand_Preview