AntwortenVeröffentlicht18 Quellen
Being-M0.7 verbindet Laufen und Greifen beim Humanoid
Being M0.7 soll humanoide Roboter beim sogenannten „Loco Manipulation“ unterstützen: Sie sollen sich bewegen und zugleich Gegenstände handhaben können.[1][6] Das Modell lernt zunächst aus mehr als 10.000 Stunden menschlicher Video und Bewegungsdaten und wird danach mit Robotertrajektorien auf einen bestimmten Robote...
Veröffentlicht vonBearbeitet mit GPT-6 LunaBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- Being M0.7 soll humanoide Roboter beim sogenannten „Loco Manipulation“ unterstützen: Sie sollen sich bewegen und zugleich Gegenstände handhaben können.[1][6]
- Das Modell lernt zunächst aus mehr als 10.000 Stunden menschlicher Video und Bewegungsdaten und wird danach mit Robotertrajektorien auf einen bestimmten Roboter abgestimmt.[1][14]
- Im SIMPLE Simulationstest erreichte es 128 Erfolge in 180 Versuchen (71,1 Prozent).
KI-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 ist ein sogenanntes Latent-World-Action-Modell von BeingBeyond. Es soll humanoide Roboter dabei unterstützen, gleichzeitig zu gehen und Gegenstände zu greifen oder zu bewegen – in der Robotik als „Loco-Manipulation“ bezeichnet.1
6 Der Ansatz: Das Modell lernt zuerst aus umfangreichen menschlichen Daten, wie sich Körper und Umgebung verändern. Erst danach wird dieses Wissen mithilfe von Robotertrajektorien in Steuerbefehle für den Roboter übersetzt.
1
14
Warum mit menschlichen Daten beginnen?
Roboterdemonstrationen sind aufwendig zu sammeln und bilden meist nur einen begrenzten Ausschnitt möglicher Bewegungen ab. Menschliche Videos und Bewegungsdaten können deutlich mehr Beispiele liefern. Sie sind allerdings nicht einheitlich: Manche Datensätze enthalten Video und Bewegung zusammen, andere nur eines von beidem. Zudem lassen sich menschliche Bewegungen nicht einfach eins zu eins auf einen Roboter übertragen.5
14
Being-M0.7 verarbeitet deshalb drei Arten von Trainingsmaterial: Videos mit zugehörigen Bewegungsdaten, Videos ohne Bewegungsdaten und Bewegungssequenzen ohne Video. Die gepaarten Beispiele helfen, Bild und Bewegung gemeinsam zu verknüpfen; die jeweils allein vorliegenden Daten erweitern die verfügbare Abdeckung.14
Als Quellen werden unter anderem Ego4D, Xperience, Nymeria, Bones-SEED, SnapMoGen, HumanML3D und LaFan1 genannt. Hinzu kommen interne Datensätze aus früheren BeingBeyond-Arbeiten sowie kommerzielle Datenquellen.1
Drei Schritte vom Vorwissen zur Robotersteuerung
- Vortraining mit menschlichen Daten: Eine Mixture-of-Transformers-Architektur bringt Video- und Bewegungsinformationen in einen gemeinsamen Repräsentationsraum. Das Modell lernt, künftige visuelle Zustände und Körperbewegungen vorherzusagen. Dafür verarbeitet es eingefrorene DINO-Bildmerkmale, statt Pixel für Pixel neue Videobilder zu erzeugen. Mensch und Roboter teilen zudem eine kompakte, 22-dimensionale, am Kopf ausgerichtete Bewegungsrepräsentation.
1
12
- Anpassung an den Roboter: In einer mittleren Trainingsphase werden Robotertrajektorien genutzt, um das gelernte Vorwissen auf die Perspektive der Roboterkamera, den Körperbau und die Bewegungsdynamik des jeweiligen Roboters abzustimmen.
7
8
- Umsetzung in Aktionen: Anschließend lernt ein separater Aktions-Experte, die Vorhersagen des eingefrorenen Modells in ausführbare Ganzkörperbefehle zu übersetzen. So wird menschliches Bewegungswissen für die Steuerung eines Roboters nutzbar, ohne menschliche Bewegungen direkt zu kopieren.
Was die Tests zeigen – und was nicht
Im SIMPLE-Benchmark wurde Being-M0.7 an sechs Aufgaben mit drei Schwierigkeitsstufen getestet. Das Modell erzielte 128 Erfolge bei 180 Versuchen, also 71,1 Prozent. In den veröffentlichten Vergleichswerten lagen Ψ0 bei 64,4 Prozent, π0.5 bei 52,8 Prozent und GR00T-N1.6 bei 33,9 Prozent.6
8
Der Gesamtwert bedeutet allerdings nicht, dass Being-M0.7 bei jeder einzelnen Aufgabe vorne lag: Ψ0 schnitt bei einer Aufgabe besser ab, π0.5 bei zwei weiteren.6 Auch der Vergleich ohne menschliches Vortraining spricht für die Bedeutung dieses Trainingsschritts: In dieser Ablation sank die Erfolgsquote auf 48,9 Prozent.
6
Bei Tests mit einem Unitree-G1-Humanoid wurde das Modell für drei reale Loco-Manipulation-Aufgaben geprüft, jeweils mit fünf Versuchen. Das Ergebnis entsprach dem der stärksten Vergleichsmethode. Wegen der kleinen Versuchszahl ist das jedoch kein Beleg dafür, dass beide Methoden in unterschiedlichen Umgebungen gleich zuverlässig wären.5
7
Grenzen des Ansatzes
Die Versuche decken nur eine begrenzte Zahl von Aufgaben und vergleichsweise kurze Abläufe ab. Ob das Modell auch längere, mehrstufige Aufgaben zuverlässig bewältigt, bleibt damit offen.5 Eine weitere praktische Schwierigkeit betrifft die Datenerhebung: Laut den verfügbaren Angaben war die Genauigkeit des Ganzkörper-Trackings beim eingesetzten Steuerungssystem begrenzt. Das kann die Qualität der aufgezeichneten Roboterdemonstrationen beeinträchtigen.
5
Der 12. Oktober 2026 ist das Datum eines Berichts über Being-M0.7. Die Modellseite von BeingBeyond nennt den 14. Juli 2026 als Veröffentlichungsdatum; der Oktober-Bericht ist daher nicht zwingend die Erstveröffentlichung.16
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „Being-M0.7 verbindet Laufen und Greifen beim Humanoid“?
Being M0.7 soll humanoide Roboter beim sogenannten „Loco Manipulation“ unterstützen: Sie sollen sich bewegen und zugleich Gegenstände handhaben können.[1][6]
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Being M0.7 soll humanoide Roboter beim sogenannten „Loco Manipulation“ unterstützen: Sie sollen sich bewegen und zugleich Gegenstände handhaben können.[1][6] Das Modell lernt zunächst aus mehr als 10.000 Stunden menschlicher Video und Bewegungsdaten und wird danach mit Robotertrajektorien auf einen bestimmten Roboter abgestimmt.[1][14]
Was soll ich als nächstes in der Praxis tun?
Im SIMPLE Simulationstest erreichte es 128 Erfolge in 180 Versuchen (71,1 Prozent).