Fortschrittliche robotische Intelligenz durch menschenzentriertes Lernen mit Being-H0.5

Revolution in der Robotik: Wie "Being-H0.5" die Generalisierung von Robotern neu definiert

Die Entwicklung von Robotersystemen, die in der Lage sind, eine Vielzahl von Aufgaben über unterschiedliche physische Konfigurationen hinweg zu bewältigen, stellt eine zentrale Herausforderung in der künstlichen Intelligenz und Robotik dar. Ein kürzlich vorgestelltes Modell namens "Being-H0.5" verspricht hier einen signifikanten Fortschritt. Es handelt sich um ein grundlegendes Vision-Language-Action (VLA)-Modell, das darauf ausgelegt ist, eine robuste Generalisierung über verschiedene Roboterplattformen hinweg zu ermöglichen, selbst wenn diese unterschiedliche morphologische Eigenschaften aufweisen.

Die Herausforderung der morphologischen Heterogenität

Bisherige VLA-Modelle stossen oft an ihre Grenzen, wenn sie mit der Vielfalt der Roboterformen und der Knappheit spezifischer Trainingsdaten konfrontiert werden. Jede Roboterplattform verfügt über einzigartige Sensoren, Aktuatoren und Steuerungsfrequenzen. Dies erschwert die Entwicklung einer einzigen Politik, die auf alle anwendbar ist.

Die Forschung hinter Being-H0.5 schlägt einen menschenzentrierten Lernansatz vor, der menschliche Interaktionsspuren als eine universelle "Muttersprache" für die physische Interaktion betrachtet. Dieser Ansatz ermöglicht es, die reichhaltigen semantischen Informationen über kausale Interaktion und Kontaktphysik, die in menschlichen Bewegungen enthalten sind, für das robotische Lernen nutzbar zu machen.

UniHand-2.0: Ein umfangreicher Datensatz als Basis

Um diesen menschenzentrierten Ansatz zu unterstützen, wurde UniHand-2.0 entwickelt, der als der bislang grösste Datensatz für eingebettetes Vortraining gilt. Er umfasst über 35.000 Stunden multimodaler Daten, die sich über 30 verschiedene robotische Ausführungsformen erstrecken. Dieser Datensatz setzt sich aus drei Hauptkomponenten zusammen:

• Menschliche Demonstrationen (16.000 Stunden): Umfasst egozentrische Videos, die menschliche Handbewegungen als generalisierte Manipulatorvorlage nutzen. Diese Daten werden mittels Sprachaugmentation, Bewegungsqualitätsfilterung und Entzerrung der Händigkeit aufbereitet.
• Robotermanipulation (14.000 Stunden): Aggregierte Daten von 30 verschiedenen Roboterausführungen, einschliesslich Einzel-/Doppelarmsystemen, tragbaren Manipulatoren und humanoiden Robotern. Dies integriert bestehende gross angelegte Datensätze mit prozedural generierten simulierten Proben und neuen Beiträgen.
• Visuell-Textuelles Verständnis (5.000 äquivalente Stunden): Adressiert das Ungleichgewicht der Modalitäten durch die Integration diverser VLM-Daten, darunter allgemeine visuell-sprachliche Fragen und Antworten, 2D-Raumverankerung und Aufgabenplanungskomponenten.

Der "Unified Action Space"

Ein Schlüsselelement von Being-H0.5 ist die Einführung eines "Unified Action Space". Dieser ermöglicht die Abbildung heterogener Robotersteuerungen in semantisch ausgerichtete Slots. Dadurch können auch Roboter mit geringen Ressourcen Fähigkeiten von menschlichen Daten und leistungsfähigeren Plattformen übernehmen. Der Unified Action Space ist als ein hochdimensionaler Vektor fester Länge strukturiert, wobei jede Dimension einer geerdeten physikalischen Grösse entspricht, wie Endeffektor-Posen, Gelenkpositionen, Greiferzustände und mobile Basisgeschwindigkeiten. Menschliche MANO-Handmodellparameter werden in denselben Raum abgebildet, wodurch die menschliche Hand als generalisierte Ausführung betrachtet wird.

Architektur: Eine Mischung aus Transformatoren

Die Architektur von Being-H0.5 basiert auf einem "Mixture-of-Transformers"-Design, das ein neuartiges "Mixture-of-Flow" (MoF)-Framework integriert. Dieses Framework entkoppelt gemeinsame motorische Primitive von spezialisierten embodimentspezifischen Experten. Es unterteilt sich in zwei Hauptbereiche:

• Verständnis-Experte: Verarbeitet hochdimensionale perzeptive Eingaben für die Langzeitplanung und das räumliche Denken, wobei er Aufgaben des Seh- und Sprachverständnisses übernimmt.
• Generierungs-Experte: Übersetzt hochrangige Pläne in präzise kinematische Ausführungen unter Verwendung eines Mixture-of-Flow (MoF)-Ansatzes, der die Aktionskapazität durch hierarchische Spezialisierung skaliert.

Zusätzlich werden "Manifold-Preserving Gating" für Robustheit unter sensorischer Verschiebung und "Universal Async Chunking" zur Universalisierung der Blocksteuerung über Ausführungen mit unterschiedlicher Latenz und Steuerprofilen eingesetzt, um die Stabilität der Cross-Embodiment-Politiken in der realen Welt zu gewährleisten.

Leistung und Ergebnisse

Being-H0.5 erzielt auf simulierten Benchmarks wie LIBERO (98,9 % Erfolgsrate) und RoboCasa (53,9 % Erfolgsrate) herausragende Ergebnisse. Darüber hinaus zeigt es eine bemerkenswerte Generalisierungsfähigkeit auf fünf verschiedenen Robotern in der realen Welt. Das Modell demonstriert "Embodiment-Level Zero-Shot Transfer", was bedeutet, dass es auch bei völlig unbekannten Aufgaben-Embodiment-Kombinationen solide Erfolgsraten erzielt. Die Generalisierung verbessert sich mit der Anzahl der Trainings-Embodiments, wobei komplexere Morphologien von einer weiteren Skalierung profitieren.

Ein Vergleich mit reiner Datenskalierung zeigt, dass die Erhöhung des Datenvolumens bei einer festen Anzahl von Robotern nur begrenzte Vorteile bringt. Die Skalierung der Embodiments selbst ist entscheidend für eine breite Generalisierung.

Praktische Anwendung und Ausblick

Die Fähigkeit von Being-H0.5, aus menschlicher Intuition zu lernen und sich an verschiedene Roboter-"Dialekte" anzupassen, während es robust in realen Szenarien agiert, eröffnet neue Möglichkeiten für vielseitige robotische Unterstützung. Die Forschungsarbeiten umfassen die Veröffentlichung von Modellgewichten, Trainingspipelines und Bereitstellungsinfrastrukturen als Open Source, wodurch die Einstiegshürden für die breitere Forschungsgemeinschaft gesenkt werden.

Die demonstrierten Zero-Shot-Transferfähigkeiten legen nahe, dass eine erhöhte Datenvielfalt im Vortraining zu einer immer stärkeren emergenten Intelligenz in Robotersystemen führen könnte. Diese Arbeit ebnet den Weg für die Entwicklung von Robotern, die sich nahtlos in verschiedene Umgebungen integrieren und Menschen bei komplexen Manipulationsaufgaben unterstützen können, und verändert damit die Landschaft der verkörperten künstlichen Intelligenz.

Einschränkungen und zukünftige Richtungen

Trotz der vielversprechenden Ergebnisse bestehen weiterhin Einschränkungen. Die aktuelle Studie konzentriert sich hauptsächlich auf die Fortbewegung auf ebenem Gelände. Eine Ausweitung auf komplexere Aufgaben wie Manipulation oder visuelle Navigation in unstrukturierten Umgebungen ist ein zukünftiges Forschungsfeld. Auch die Vielfalt der generierten Embodiments könnte erweitert werden, um Faktoren wie Massenverteilung, Gelenkdämpfung und Aktuatorik zu berücksichtigen. Zudem ist eine breitere Validierung auf mehr physischen Roboterplattformen, einschliesslich modularer oder rekonfigurierbarer Roboter, wünschenswert, um die Allgemeingültigkeit der Ergebnisse weiter zu untermauern.

Dennoch stellt Being-H0.5 einen wichtigen Schritt in Richtung eines umfassenden Verständnisses der Generalisierung auf Embodiment-Ebene dar und unterstreicht die zentrale Rolle der Embodiment-Skalierung für die Entwicklung generalisierbarer Roboterlernsysteme.

Bibliografie

- Luo, H., Wang, Y., Zhang, W., Zheng, S., Xi, Z., Xu, C., ... & Lu, Z. (2026). Being-H0.5: Scaling Human-Centric Robot Learning for Cross-Embodiment Generalization. arXiv preprint arXiv:2601.12993. - BeingBeyond. (n.d.). Being-H0.5: Scaling Human-Centric Robot Learning for Cross-Embodiment Generalization. GitHub. - Hugging Face. (2026). Being-H0.5: Scaling Human-Centric Robot Learning for Cross-Embodiment Generalization. - alphaXiv. (2026). Being-H0.5: Scaling Human-Centric Robot Learning for Cross-Embodiment Generalization. - Zhang, W. (n.d.). Wanpeng Zhang (张万鹏). Personal Website. - Ai, B., Dai, L., Bohlinger, N., Li, D., Mu, T., Wu, Z., ... & Su, H. (2025). Towards Embodiment Scaling Laws in Robot Locomotion. arXiv preprint arXiv:2505.05753. - Doshi, R., Walke, H., Mees, O., Dasari, S., & Levine, S. (2024). Scaling Cross-Embodied Learning: One Policy for Manipulation, Navigation, Locomotion and Aviation. arXiv preprint arXiv:2408.11812. - Ha, H., Gao, Y., Fu, Z., Tan, J., & Song, S. (2024). UMI on Legs: Making Manipulation Policies Mobile with Manipulation-Centric Whole-body Controllers. arXiv preprint arXiv:2407.10353.