Being-H0.5: Scaling Human-Centric Robot Learning for Cross-Embodiment Generalization
作者: 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
授權條款
依 arXiv 的授權條款，以下內容僅依據摘要撰寫。
為何重要
視覺-語言-動作模型難以應對不同機器人機體之間的差異，以及機器人資料的稀缺。作者報告最先進的模擬結果——LIBERO 上 98.9%、RoboCasa 上 53.9%——以及在五個機器人平台上的跨具身能力。
提出的方法
Being-H0.5 將人類互動痕跡視為物理互動的共同基礎，透過統一的動作空間在 UniHand-2.0（橫跨 30 種機體、超過 35,000 小時的多模態資料）上進行預訓練，採用搭配 Mixture-of-Flow 專家的 Mixture-of-Transformers 設計，並加入 Manifold-Preserving Gating 與 Universal Async Chunking，以提升在真實世界中的穩定性。
摘要
我們提出 Being-H0.5，一個基礎性的視覺-語言-動作（VLA）模型，目標是在多樣的機器人平台之間實現穩健的跨形態泛化。現有的 VLA 經常受困於形態差異與資料稀少，因此我們提出以人為中心的學習典範，把人類的互動軌跡當作物理互動的通用「母語」。為此，我們推出 UniHand-2.0，這是目前規模最大的具身預訓練配方，涵蓋來自 30 種不同機器人形態、超過 35,000 小時的多模態資料。我們的方法引入統一動作空間（Unified Action Space），把各不相同的機器人控制對應到語意對齊的欄位，讓資源較少的機器人能從人類資料和資源較多的平台學到技能。在這個以人為中心的基礎上，我們設計了統一的序列建模與多任務預訓練典範，把人類示範與機器人執行連結起來。架構上，Being-H0.5 採用 Mixture-of-Transformers 設計，並提出全新的 Mixture-of-Flow（MoF）框架，將共用的運動基元與針對各形態的專門專家分開。最後，為了讓跨形態策略在真實世界中保持穩定，我們引入 Manifold-Preserving Gating，提升面對感測偏移時的穩健性，並引入 Universal Async Chunking，讓分段控制能通用於延遲與控制特性各異的機器人形態。我們以實驗證明，Being-H0.5 在 LIBERO（98.9%）與 RoboCasa（53.9%）等模擬基準測試上達到最先進的成績，同時在五個機器人平台上展現強大的跨形態能力。
連結
- arXiv 2601.12993: https://arxiv.org/abs/2601.12993
- PDF: https://arxiv.org/pdf/2601.12993
- 程式碼: https://github.com/BeingBeyond/Being-H
- 專案頁面: https://research.beingbeyond.com/being-h05
- 資料集: https://huggingface.co/datasets/BeingBeyond/UniHand_Preview