Being-H0.5: Scaling Human-Centric Robot Learning for Cross-Embodiment Generalization
著者: 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
ライセンス
- オープンアクセス
- 論文: arXiv.org perpetual, non-exclusive license 1.0
arXivのライセンスに従い、以下の内容はすべてアブストラクトのみから書かれています。
重要な理由
Vision-Language-Actionモデルは、ロボットの機体間の違いと、ロボットデータの不足に苦戦している。著者らは、LIBEROで98.9%、RoboCasaで53.9%という最先端のシミュレーション結果と、5つのロボットプラットフォームにおけるクロスエンボディメント能力を報告している。
提案手法
Being-H0.5は、人間のインタラクションの痕跡を物理的インタラクションの共有基盤として扱い、統一された行動空間を通じてUniHand-2.0（30種類のエンボディメントにわたる35,000時間以上のマルチモーダルデータ）で事前学習する。Mixture-of-Flowエキスパートを備えたMixture-of-Transformers設計を用い、実世界での安定性のためにManifold-Preserving GatingとUniversal Async Chunkingを追加している。
概要
本研究では、多様なロボットプラットフォームにわたる頑健なクロスエンボディメント汎化のために設計された基盤的な視覚・言語・行動（VLA）モデル Being-H0.5 を紹介する。既存の VLA は形態の不均一性とデータ不足に苦しむことが多いため、我々は人間の相互作用の痕跡を物理的相互作用の普遍的な「母語」として扱う、人間中心の学習パラダイムを提案する。これを支えるため、30 種類の異なるロボット身体にわたる 35,000 時間以上のマルチモーダルデータからなる、これまでで最大の身体性事前学習レシピ UniHand-2.0 を提示する。我々の手法は、異種のロボット制御を意味的に整列したスロットへ対応づける統一行動空間（Unified Action Space）を導入し、リソースの少ないロボットが人間のデータやリソースの多いプラットフォームからスキルを獲得できるようにする。この人間中心の基盤の上に、人間の実演とロボットの実行を橋渡しする統一的な系列モデリングとマルチタスク事前学習のパラダイムを設計する。アーキテクチャ面では、Being-H0.5 は Mixture-of-Transformers（トランスフォーマーの混合）設計を採用し、共有された運動プリミティブを身体ごとの専門エキスパートから切り離す新しい Mixture-of-Flow（MoF）フレームワークを備える。最後に、クロスエンボディメント方策を実世界で安定させるため、感覚のずれに対する頑健性のための Manifold-Preserving Gating と、遅延や制御特性の異なる身体間でチャンク制御を汎用化する Universal Async Chunking を導入する。Being-H0.5 が LIBERO（98.9%）や RoboCasa（53.9%）などのシミュレーションベンチマークで最先端の結果を達成し、さらに五つのロボットプラットフォームで強いクロスエンボディメント能力を示すことを実験的に実証する。
リンク
- arXiv 2601.12993: https://arxiv.org/abs/2601.12993
- PDF: https://arxiv.org/pdf/2601.12993
- コード: https://github.com/BeingBeyond/Being-H
- プロジェクトページ: https://research.beingbeyond.com/being-h05
- データセット: https://huggingface.co/datasets/BeingBeyond/UniHand_Preview