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
Licenças
- Acesso aberto
- Artigo: arXiv.org perpetual, non-exclusive license 1.0
Conforme a licença do arXiv, tudo o que segue foi escrito apenas a partir do resumo.
Por que importa
Modelos de visão-linguagem-ação têm dificuldade com as diferenças entre corpos de robôs e com a escassez de dados de robôs. Os autores relatam resultados de estado da arte em simulação, 98,9 % no LIBERO e 53,9 % no RoboCasa, e capacidade cross-embodiment em cinco plataformas robóticas.
Solução proposta
O Being-H0.5 trata traços de interação humana como uma base compartilhada para a interação física, é pré-treinado no UniHand-2.0 (mais de 35.000 horas de dados multimodais de 30 corporificações) por meio de um espaço de ação unificado, usa um design Mixture-of-Transformers com especialistas Mixture-of-Flow e acrescenta Manifold-Preserving Gating e Universal Async Chunking para estabilidade no mundo real.
Resumo
Apresentamos o Being-H0.5, um modelo fundacional de visão-linguagem-ação (VLA) projetado para generalização robusta entre embodiments em plataformas robóticas diversas. Enquanto os VLAs existentes costumam ter dificuldade com a heterogeneidade morfológica e a escassez de dados, propomos um paradigma de aprendizado centrado no ser humano que trata os traços de interação humana como uma "língua materna" universal para a interação física. Para isso, apresentamos o UniHand-2.0, a maior receita de pré-treinamento incorporado até hoje, com mais de 35.000 horas de dados multimodais de 30 embodiments robóticos distintos. Nossa abordagem introduz um Unified Action Space que mapeia comandos robóticos heterogêneos em slots semanticamente alinhados, permitindo que robôs com poucos dados adquiram habilidades a partir de dados humanos e de plataformas com muitos dados. Sobre essa base centrada no ser humano, projetamos um paradigma unificado de modelagem sequencial e pré-treinamento multitarefa que liga demonstrações humanas e execução robótica. Na arquitetura, o Being-H0.5 usa um design Mixture-of-Transformers (mistura de transformadores) com um novo framework Mixture-of-Flow (MoF) que separa primitivas motoras compartilhadas de especialistas dedicados a cada embodiment. Por fim, para tornar as políticas entre embodiments estáveis no mundo real, introduzimos o Manifold-Preserving Gating, para robustez diante de mudanças sensoriais, e o Universal Async Chunking, para universalizar o controle em blocos entre embodiments com perfis de latência e de controle diferentes. Demonstramos empiricamente que o Being-H0.5 alcança resultados de estado da arte em benchmarks simulados, como LIBERO (98,9%) e RoboCasa (53,9%), e também exibe fortes capacidades cross-embodiment em cinco plataformas robóticas.
Links
- arXiv 2601.12993: https://arxiv.org/abs/2601.12993
- PDF: https://arxiv.org/pdf/2601.12993
- Código: https://github.com/BeingBeyond/Being-H
- Página do projeto: https://research.beingbeyond.com/being-h05
- Conjunto de dados: https://huggingface.co/datasets/BeingBeyond/UniHand_Preview