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
许可协议
根据 arXiv 的许可协议，以下内容仅依据摘要撰写。
为何重要
视觉-语言-动作模型难以应对不同机器人本体之间的差异以及机器人数据的稀缺。作者报告了最先进的仿真结果——LIBERO 上 98.9%、RoboCasa 上 53.9%——以及在五个机器人平台上的跨具身能力。
提出的方法
Being-H0.5 将人类交互痕迹视为物理交互的共享基础，通过统一动作空间在 UniHand-2.0（跨 30 种本体、超过 35,000 小时的多模态数据）上进行预训练，采用带有 Mixture-of-Flow 专家的 Mixture-of-Transformers 设计，并加入 Manifold-Preserving Gating 和 Universal Async Chunking 以提升真实世界中的稳定性。
摘要
我们提出 Being-H0.5，一个基础性的视觉-语言-动作（VLA）模型，旨在跨多样的机器人平台实现稳健的跨具身泛化。现有的 VLA 往往受困于形态异构和数据稀缺，为此我们提出一种以人为中心的学习范式，把人类交互轨迹视为物理交互的通用“母语”。为支撑这一点，我们推出 UniHand-2.0，这是迄今最大的具身预训练配方，包含来自 30 种不同机器人具身形态、超过 35,000 小时的多模态数据。我们的方法引入统一动作空间（Unified Action Space），把异构的机器人控制映射到语义对齐的槽位中，使低资源机器人能够从人类数据和高资源平台中习得技能。在这一以人为中心的基础上，我们设计了统一的序列建模与多任务预训练范式，把人类示范与机器人执行连接起来。在架构上，Being-H0.5 采用 Mixture-of-Transformers 设计，并提出新的 Mixture-of-Flow（MoF）框架，把共享的运动基元与面向特定具身形态的专门专家解耦。最后，为了让跨具身策略在真实世界中保持稳定，我们引入 Manifold-Preserving Gating 以提升对感知偏移的鲁棒性，并引入 Universal Async Chunking，使分块控制能够通用于延迟和控制特性各不相同的具身形态。我们通过实验证明，Being-H0.5 在 LIBERO（98.9%）和 RoboCasa（53.9%）等仿真基准上取得了最先进的结果，同时在五个机器人平台上展现出强大的跨具身能力。
链接
- arXiv 2601.12993: https://arxiv.org/abs/2601.12993
- PDF: https://arxiv.org/pdf/2601.12993
- 代码: https://github.com/BeingBeyond/Being-H
- 项目主页: https://research.beingbeyond.com/being-h05
- 数据集: https://huggingface.co/datasets/BeingBeyond/UniHand_Preview