論文の概要: Being-H0.5: Scaling Human-Centric Robot Learning for Cross-Embodiment Generalization

• arxiv url: http://arxiv.org/abs/2601.12993v1
• Date: Mon, 19 Jan 2026 12:20:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.841838
• Title: Being-H0.5: Scaling Human-Centric Robot Learning for Cross-Embodiment Generalization
• Title（参考訳）: being-H0.5:クロス・エボディメント・ジェネレーションのための人間中心型ロボット学習
• Authors: Hao Luo, Ye Wang, Wanpeng Zhang, Sipeng Zheng, Ziheng Xi, Chaoyi Xu, Haiweng Xu, Haoqi Yuan, Chi Zhang, Yiqing Wang, Yicheng Feng, Zongqing Lu,
• Abstract要約: 本稿では,多様なロボットプラットフォームにまたがる堅牢なクロスエボディメント一般化を目的とした,基礎的なビジョン・ランゲージ・アクションモデルであるBeing-H0.5を紹介する。 今回紹介するUniHand-2.0は、これまでで最大で、3万5000時間以上のマルチモーダルデータを、30の異なるロボットエボディメントに展開する。 Be-H0.5 は LIBERO (98.9%) や RoboCasa (53.9%) のようなシミュレートされたベンチマークで最先端の結果を得る
• 参考スコア（独自算出の注目度）: 38.20385682344082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Being-H0.5, a foundational Vision-Language-Action (VLA) model designed for robust cross-embodiment generalization across diverse robotic platforms. While existing VLAs often struggle with morphological heterogeneity and data scarcity, we propose a human-centric learning paradigm that treats human interaction traces as a universal "mother tongue" for physical interaction. To support this, we present UniHand-2.0, the largest embodied pre-training recipe to date, comprising over 35,000 hours of multimodal data across 30 distinct robotic embodiments. Our approach introduces a Unified Action Space that maps heterogeneous robot controls into semantically aligned slots, enabling low-resource robots to bootstrap skills from human data and high-resource platforms. Built upon this human-centric foundation, we design a unified sequential modeling and multi-task pre-training paradigm to bridge human demonstrations and robotic execution. Architecturally, Being-H0.5 utilizes a Mixture-of-Transformers design featuring a novel Mixture-of-Flow (MoF) framework to decouple shared motor primitives from specialized embodiment-specific experts. Finally, to make cross-embodiment policies stable in the real world, we introduce Manifold-Preserving Gating for robustness under sensory shift and Universal Async Chunking to universalize chunked control across embodiments with different latency and control profiles. We empirically demonstrate that Being-H0.5 achieves state-of-the-art results on simulated benchmarks, such as LIBERO (98.9%) and RoboCasa (53.9%), while also exhibiting strong cross-embodiment capabilities on five robotic platforms.
• Abstract（参考訳）: 本稿では,多様なロボットプラットフォームにまたがる堅牢なクロスボデーメント一般化を目的とした,基礎的なビジョン・ランゲージ・アクション(VLA)モデルであるBeing-H0.5を紹介する。 既存のVLAは、しばしば形態的不均一性とデータ不足に悩まされるが、人間の相互作用トレースを物理的相互作用のための普遍的な「母国語」として扱う、人間中心学習パラダイムを提案する。 そこで本研究では,これまでで最大規模のトレーニング前レシピであるUniHand-2.0について紹介する。 我々のアプローチでは、異種ロボット制御を意味的に整合したスロットにマッピングするUnified Action Spaceを導入し、低リソースロボットが人間のデータや高リソースプラットフォームからスキルをブートストラップできるようにする。 この人間中心の基盤の上に構築された我々は、人間のデモンストレーションとロボット実行を橋渡しする、統合されたシーケンシャルモデリングとマルチタスク事前訓練パラダイムを設計する。 アーキテクチャ上、Being-H0.5は、Mixture-of-Flow (MoF) フレームワークを特徴とするMixture-of-Transformers設計を採用しており、共有モータープリミティブを特殊なエンボディメントの専門家から切り離している。 最後に、実世界でのクロス・エボディメントポリシーを安定させるために、センサシフト下での堅牢性のためのManifold-Preserving GatingとUniversal Async Chunkingを導入し、異なるレイテンシと制御プロファイルを持つエボディメント間のチャンク制御を普遍化する。 我々は, LIBERO (98.9%) やRoboCasa (53.9%) などの模擬ベンチマークでBeing-H0.5が最先端の成果を得られたことを実証的に示すとともに, 5つのロボットプラットフォーム上で強力なクロスボデーメント能力を示した。

関連論文リスト

• FRoM-W1: Towards General Humanoid Whole-Body Control with Language Instructions [147.04372611893032]
  FRoM-W1は、自然言語を用いた一般的なヒューマノイド全体の動作制御を実現するために設計されたオープンソースのフレームワークである。 我々はUnitree H1とG1ロボット上でFRoM-W1を広範囲に評価した。 その結果,HumanML3D-Xベンチマークにおいて,人体全体の動作生成に優れた性能を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:59:32Z)
• CEI: A Unified Interface for Cross-Embodiment Visuomotor Policy Learning in 3D Space [7.985647150826696]
  クロス・エボデーメント・インタフェース(CEI)は、クロス・エボデーメント・ラーニングのためのフレームワークである。 CEIは勾配に基づく最適化を通じてロボットの軌道を整列させ、その後、目に見えないロボットアームとエンドエフェクターの観察とアクションを合成する。 実験では、CEIはシミュレーションにおいて、データとポリシーをFranka Pandaロボットからtextbf16の異なる実施形態に転送する。
  論文  参考訳（メタデータ） (2026-01-14T05:07:11Z)
• InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
  InternVLA-A1は動的予測機能を備えた視覚言語モデルである。 我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。 InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-01-05T18:54:29Z)
• UniAct: Unified Motion Generation and Action Streaming for Humanoid Robots [27.794309591475326]
  ヒューマノイドロボティクスにおける長年の目標は、人間レベルの柔軟性を持つ多様なマルチモーダル命令に従うことができる汎用エージェントの実現である。 ここでは、微調整MLLMと因果ストリーミングパイプラインを統合した2段階のフレームワークであるUniActを用いて、500ms以下のレイテンシで、ヒューマノイドロボットがマルチモーダル命令を実行できることを示す。 提案手法は, ゼロショット追尾における不完全な参照動作の成功率を19%向上させる。
  論文  参考訳（メタデータ） (2025-12-30T16:20:13Z)
• MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
  人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。 MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
  論文  参考訳（メタデータ） (2025-12-17T12:59:41Z)
• CEDex: Cross-Embodiment Dexterous Grasp Generation at Scale from Human-like Contact Representations [53.37721117405022]
  クロス・エボディメント・デキスタラス・グリップ合成(Cross-Embodiment dexterous grasp synthesis)とは、様々なロボットハンドのグリップを適応的に生成し、最適化することである。 そこで我々は,CEDexを提案する。 これまでで最大のクロス・エボディメント・グラウンド・データセットを構築し、合計20万のグリップを持つ4つのタイプにまたがる500万のオブジェクトからなる。
  論文  参考訳（メタデータ） (2025-09-29T12:08:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。