AnswersPublished20 sources
Yli 10 000 tuntia ihmisaineistoa auttaa humanoidia liikkumaan ja tarttumaan
Being M0.7 on BeingBeyondin humanoidiroboteille kehittämä malli, joka pyrkii koordinoimaan kävelyä ja esineiden käsittelyä yhtenä koko kehon tehtävänä.[1][6] Ennen robotin liikeratojen hyödyntämistä malli esikoulutetaan yli 10 000 tunnilla ihmisten video ja liikeaineistoa. SIMPLE simulaatiotestissä malli onnistui 12...
JulkaisijaMuokattu mallilla GPT-6 LunaKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- Being M0.7 on BeingBeyondin humanoidiroboteille kehittämä malli, joka pyrkii koordinoimaan kävelyä ja esineiden käsittelyä yhtenä koko kehon tehtävänä.[1][6]
- Ennen robotin liikeratojen hyödyntämistä malli esikoulutetaan yli 10 000 tunnilla ihmisten video ja liikeaineistoa.
- SIMPLE simulaatiotestissä malli onnistui 128 kertaa 180 yrityksestä eli 71,1 prosentissa.
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 on BeingBeyondin kehittämä latentti maailma–toiminta-malli humanoidiroboteille. Sen tavoitteena on saada robotti tekemään samanaikaisesti kahta asiaa, jotka usein opetetaan erikseen: liikkumaan ja käsittelemään esineitä. Robotiikassa tätä yhdistelmää kutsutaan liikkuvaksi käsittelyksi (loco-manipulation).1
6
Mallin lähtökohta on poikkeava: ennen robotin omien liikeratojen käyttämistä se oppii ihmisten videoista ja liikkeistä. BeingBeyond kertoo aineiston raakakoon ylittävän 10 000 tuntia.1
14 Lu Zongqingin perustama BeingBeyond kuvailtiin mallin julkaisun yhteydessä Pekingin yliopiston apulaisprofessorin johtamaksi yritykseksi.
3
4
Kolme vaihetta ihmisen liikkeestä robotin käskyiksi
Ihmisten liikeaineistoa on mahdollista kerätä monenlaisista lähteistä, mutta aineistot eivät ole keskenään samanlaisia. Osassa on videota ja liiketietoa yhdessä, osassa vain videota tai vain liikettä. Lisäksi ihmisen liikeratoja ei voi sellaisenaan muuntaa robotin käskyiksi: robotilla on erilainen keho, kamera ja liikedynamiikka.5
14
Being-M0.7 käsittelee tätä kolmessa vaiheessa:
- Esikoulutus ihmisaineistolla. Malli oppii yhdistämään videon ja liikkeen samaan esitystapaan ja ennustamaan sekä tulevia visuaalisia tiloja että kehon liikettä. Videon ja liikkeen sisältävät esimerkit opettavat näitä yhdessä; video- tai liiketietoa sisältävät aineistot laajentavat oppimisen kattavuutta.
1
14
- Mukautus robottiin. Robotin liikeratojen avulla aiemmin opittua tietoa sovitetaan robotin näkökulmaan, kehoon ja dynamiikkaan.
7
8
- Toimintavaihe. Erillinen toimintamoduuli oppii muuttamaan mallin ennustaman visuaalisen kontekstin robotin toteutettaviksi koko kehon käskyiksi. Ennustavaa perustaa ei tässä vaiheessa opeteta uudelleen, vaan toimintamoduuli käyttää sitä ohjauksen pohjana.
Esikoulutuksen kuvataan hyödyntävän muun muassa Ego4D-, Xperience-, Nymeria-, Bones-SEED-, SnapMoGen-, HumanML3D- ja Lafan1-aineistoja sekä BeingBeyondin aiempien mallien osia ja kaupallisia lähteitä.1 Malli käsittelee kuvia DINO-kuvaominaisuuksien avulla ja käyttää ihmisten ja robottien liikkeille yhteistä, 22-ulotteista, pään ja rungon koordinaatteihin perustuvaa esitystä.
12 Saatavilla olevat lähdeotteet eivät kuitenkaan kuvaa riittävästi sitä, miten puuttuvien aineistomuotojen opittavat paikkamerkit toimivat, joten niiden toteutuksesta ei voi tehdä varmoja päätelmiä.
Hyvät simulaatiotulokset eivät tarkoita voittoa joka tehtävässä
SIMPLE-simulaatiotesti koostui kuudesta humanoiditehtävästä kolmella vaikeustasolla. Being-M0.7 onnistui 128:ssa 180 yrityksestä eli 71,1 prosentissa. Se oli vertailtujen mallien paras kokonaistulos. Vertailuarvoiksi raportoitiin Ψ0:lle 64,4 prosenttia, π0.5:lle 52,8 prosenttia ja GR00T-N1.6:lle 33,9 prosenttia.6
Kokonaiskeskiarvo ei kuitenkaan kerro, että malli olisi paras jokaisessa tehtävässä. Raportoidussa tehtäväkohtaisessa vertailussa Ψ0 menestyi yhdessä tehtävässä paremmin ja π0.5 kahdessa muussa.6 Lisäksi Being-M0.7 paransi tulosta XMovePick- ja BendPick-tehtävissä verrattuna kielikontekstia käyttävään versioon, mutta suoriutui XMoveBendPick-tehtävässä heikommin. Tutkijat liittivät tämän mahdolliseen häiriöön yhteisessä monitehtäväoppimisessa; kyse on heidän selityksestään, ei erikseen vahvistetusta syystä.
5
Kun ihmisaineiston esikoulutus jätettiin pois, SIMPLE-tulos putosi 48,9 prosenttiin. Vertailu tukee ajatusta, että ihmisten videoista ja liikkeistä opittu ennakkotieto voi olla hyödyllistä robotin oppimiselle.6
Oikean robotin näyttö on vielä rajallista
Unitree G1 -robotilla testattiin kolmea tosielämän liikkuvan käsittelyn tehtävää, viisi yritystä kutakin kohden. Being-M0.7:n raportoitiin yltäneen vahvimman vertailumallin tasolle, ei sen edelle.1
5 Viisi yritystä tehtävää kohti on pieni otos, joten tulosta ei pidä tulkita laajaksi näytöksi toimintavarmuudesta erilaisissa ympäristöissä.
5
Lähteissä esitetyt G1-testien tarkat kokonaismäärät eivät ole keskenään yhdenmukaisia. Siksi tässä ei esitetä niiden perusteella tarkkaa yritysmäärää tai prosenttilukua. Yhteinen varovainen johtopäätös on, että tutkimus raportoi tasatuloksen vahvimman vertailumallin kanssa.1
5
Tutkimuksen yhteydessä nostettiin esiin myös pidempien tehtäväketjujen tarve: lyhyet liikkumis- ja tarttumistestit eivät vielä osoita, miten järjestelmä selviäisi pitkäkestoisista tai monivaiheisista tehtävistä.5 Lisäksi käytetty koko kehon ohjain ei seurannut pääte-elinten liikettä riittävän tarkasti kaikissa tilanteissa, mikä vaikeutti robottidemonstraatioiden keräämistä. Tämä rajoitus koskee ohjainta ja robotilta saatavan harjoitusaineiston laatua, ei suoraan maailman–toimintamallin ennustustarkkuutta.
5
Being-M0.7:n keskeinen lupaus on siis tapa siirtää laajasta ihmisaineistosta opittua tietoa robotin hallintaan. Simulaatiossa tulokset ovat lupaavia, mutta oikean robotin testit ovat toistaiseksi pieniä. Lokakuun 12. päivä viittaa mallia käsitelleeseen julkaisuun; BeingBeyondin tutkimussivu ajoittaa mallin esittelyn heinäkuuhun 2026.4
16
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 "Yli 10 000 tuntia ihmisaineistoa auttaa humanoidia liikkumaan ja tarttumaan"?
Being M0.7 on BeingBeyondin humanoidiroboteille kehittämä malli, joka pyrkii koordinoimaan kävelyä ja esineiden käsittelyä yhtenä koko kehon tehtävänä.[1][6]
What are the key points to validate first?
Being M0.7 on BeingBeyondin humanoidiroboteille kehittämä malli, joka pyrkii koordinoimaan kävelyä ja esineiden käsittelyä yhtenä koko kehon tehtävänä.[1][6] Ennen robotin liikeratojen hyödyntämistä malli esikoulutetaan yli 10 000 tunnilla ihmisten video ja liikeaineistoa.
What should I do next in practice?
SIMPLE simulaatiotestissä malli onnistui 128 kertaa 180 yrityksestä eli 71,1 prosentissa.
Sources
tech-momentum.comBeingBeyond, 사람 영상 1만 시간으로 휴머노이드 걷기·집기 학습
ai.42how.com智在无界卢宗青团队提出 Being-M0.7，依托人类视频动作先验，训练人形机器人全身移动操作
elites.zoneBeingBeyond Launches Being-M0.7 Model for Humanoid Robots