AnswersPublished20 sources
Více než 10 000 hodin lidských dat má naučit humanoida chodit a manipulovat zároveň
Being M0.7 je model pro takzvanou pohybovou manipulaci: humanoid má při chůzi zároveň pracovat s předměty. Nejprve se učí z více než 10 000 hodin lidských videí a pohybových dat, pak své znalosti přizpůsobí robotovi a převede je na řídicí povely.
PublikovalUpraveno pomocí GPT-6 LunaObrázky vytvořeny pomocí GPT Image 2
Research answer
Key takeaways
- Being M0.7 je model pro takzvanou pohybovou manipulaci: humanoid má při chůzi zároveň pracovat s předměty.
- Nejprve se učí z více než 10 000 hodin lidských videí a pohybových dat, pak své znalosti přizpůsobí robotovi a převede je na řídicí povely.
- V simulaci SIMPLE uspěl ve 128 ze 180 pokusů. Při testech na skutečném robotovi Unitree G1 se podle dostupných výsledků vyrovnal nejsilnější srovnávané metodě.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is BeingBeyond’s Being M0.7, released by the embodied AI startup founded by Peking University tenured associate professor Lu Zongqing a. Article summary: Being M0.7 is BeingBeyond’s latent world action model for humanoid “loco manipulation”—coordinating walking and object manipulation—rather than treating them as separate skills.[1][6] Its central idea is to learn a predi. Topic tags: general web, ai, code, privacy, regulation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts w
Being-M0.7 je model společnosti BeingBeyond určený pro humanoidní roboty. Jeho cílem je propojit dvě schopnosti, které se často řeší odděleně: pohyb robota v prostoru a manipulaci s předměty. Robot tak má například dojít k věci, zvednout ji a přitom koordinovat celé tělo.1
6
BeingBeyond založil Lu Zongqing, docent Pekingské univerzity.3
4 Model byl představen v červenci 2026; zpráva z 12. října jeho výsledky znovu popsala.
4
16
Nejdřív se učí z lidí, potom z robotických trajektorií
Robotická data jsou cenná, ale jejich sběr vyžaduje skutečné stroje a předvádění pohybů. Being-M0.7 proto začíná na rozsáhlejších lidských datech: podle autorů jde o více než 10 000 hodin surových záznamů lidského pohybu a videa z pohledu první osoby.1
14 Taková videa zachycují scénu z perspektivy člověka, který se v ní pohybuje a používá ruce.
Lidské záznamy však nejsou jednotné. Některé obsahují video spárované s pohybem, jiné jen video nebo jen pohybové údaje. A lidský pohyb nelze jednoduše převést na povely pro robota s jiným tělem. Model proto postupuje ve třech etapách:5
14
- Předtrénování: Model se učí ve společném prostoru pro obraz a pohyb. Předpovídá budoucí vizuální reprezentace i pohyb těla, a získává tak představu o tom, jak se mění prostředí a jak se tělo při činnosti koordinuje.
1
8
- Přizpůsobení robotovi: Robotické trajektorie pomáhají převést toto obecnější porozumění na konkrétní robotické tělo, jeho pohled z kamery a způsob pohybu.
7
- Trénink akčního experta: Samostatná část modelu využívá předpovědi předchozí fáze a převádí je na proveditelné povely pro celé tělo robota.
Místo generování budoucího obrazu pixel po pixelu pracuje systém s vizuálními příznaky extrahovanými zmrazeným obrazovým enkodérem DINO. Lidský a robotický pohyb propojuje kompaktní reprezentace o 22 rozměrech, vztažená k hlavě a kořeni těla.12 Mezi využitými datovými zdroji jsou veřejné soubory Ego4D, Xperience, Nymeria, Bones-SEED, SnapMoGen, HumanML3D a LaFan1 i dřívější data BeingBeyond a komerční zdroje.
1
Tento postup má využít šíři lidských zkušeností, aniž by předpokládal, že člověk a robot se pohybují totožně. Lidská data poskytují základ pro předvídání pohybu a změn ve scéně; robotické trajektorie a akční expert pak znalosti přizpůsobují řízení konkrétního stroje.1
5
7
Výsledky v simulaci a na skutečném robotovi
V simulaci SIMPLE, která zahrnuje šest humanoidních úloh ve třech úrovních obtížnosti, dosáhl Being-M0.7 128 úspěchů ze 180 pokusů, tedy 71,1 %. To byla nejvyšší souhrnná úspěšnost mezi porovnávanými modely.6
8
Pro srovnání: Ψ0 dosáhl 64,4 %, π0.5 52,8 % a GR00T-N1.6 33,9 %. Když výzkumníci vynechali předtrénování na lidských datech, úspěšnost Being-M0.7 klesla na 48,9 %.6 Souhrnný výsledek ale neznamená, že model vyhrál každou jednotlivou úlohu: v některých z nich byly lepší i srovnávané metody.
6
Na skutečném humanoidovi Unitree G1 výzkumníci testovali tři úlohy kombinující chůzi a manipulaci. Podle dostupného popisu se Being-M0.7 vyrovnal nejsilnější srovnávané metodě, nikoli že by ji jednoznačně překonal. Každá úloha měla jen pět pokusů, takže výsledek zůstává omezeným testem.5
7
Co výsledky zatím nedokazují
Malý počet pokusů na skutečném robotovi neukazuje, jak spolehlivě bude model fungovat v široké škále prostředí. A úspěch v omezených úlohách chůze a uchopování sám o sobě nedokládá, že robot zvládne dlouhé, vícekrokové činnosti nebo se bez problémů zotaví z chyb.5
7
Výzkumníci také uvádějí, že přesnost sledování pohybu u použitého celotělového řídicího systému SONIC komplikovala sběr robotických ukázek. Jde o omezení řídicího systému a kvality dostupných ukázek, nikoli o přímou vlastnost samotného modelu Being-M0.7.5
Výsledek je proto třeba číst jako slibný důkaz, že rozsáhlá lidská data mohou pomoci propojit chůzi a manipulaci u humanoidů — nikoli jako potvrzení, že problém spolehlivého pohybu v reálném světě je už vyřešen.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Více než 10 000 hodin lidských dat má naučit humanoida chodit a manipulovat zároveň"?
Being M0.7 je model pro takzvanou pohybovou manipulaci: humanoid má při chůzi zároveň pracovat s předměty.
What are the key points to validate first?
Being M0.7 je model pro takzvanou pohybovou manipulaci: humanoid má při chůzi zároveň pracovat s předměty. Nejprve se učí z více než 10 000 hodin lidských videí a pohybových dat, pak své znalosti přizpůsobí robotovi a převede je na řídicí povely.
What should I do next in practice?
V simulaci SIMPLE uspěl ve 128 ze 180 pokusů. Při testech na skutečném robotovi Unitree G1 se podle dostupných výsledků vyrovnal nejsilnější srovnávané metodě.