答え公開済み22 ソース
人の動画1万時間超で歩行と操作を学ぶ——Being-M0.7の仕組みと実力
Being M0.7は、歩きながら物をつかむなどの全身移動と操作を同時に扱う、人型ロボット向けの「潜在世界・行動モデル」です。[1][6] ロボットの軌跡を使う前に、1万時間を超える人間中心の映像・動作データから予測の土台を学び、ロボット向けの訓練で実行可能な全身指令につなげます。[1][8] SIMPLEシミュレーションでは180試行中128回成功し、成功率は71.1%。一方、実機のUnitree G1評価は3タスク各5試行で、結果の一部には情報源間の数字の食い違いがあります。[6][7][11]
公開者GPT-6 Luna で編集GPT Image 2 で画像を生成
研究の答え
重要なポイント
- Being M0.7は、歩きながら物をつかむなどの全身移動と操作を同時に扱う、人型ロボット向けの「潜在世界・行動モデル」です。[1][6]
- ロボットの軌跡を使う前に、1万時間を超える人間中心の映像・動作データから予測の土台を学び、ロボット向けの訓練で実行可能な全身指令につなげます。[1][8]
- SIMPLEシミュレーションでは180試行中128回成功し、成功率は71.1%。一方、実機のUnitree G1評価は3タスク各5試行で、結果の一部には情報源間の数字の食い違いがあります。[6][7][11]
AI プロンプト
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
BeingBeyondのBeing-M0.7は、人型ロボットが**歩行と物体操作を組み合わせる「移動操作（loco-manipulation）」**を行うためのモデルです。歩く能力と手を使う能力を別々に扱うのではなく、周囲の変化と身体の動きを予測しながら、全身を協調させることを目指します。1
6
モデルの特徴は、ロボットの実演データだけに頼らず、まず1万時間を超える人間中心の映像・動作データから予測の土台を学ぶことです。その知識をロボットの視点や身体に合わせて調整し、最後にロボットを動かす指令へ変換します。1
8
人間のデータをロボット学習に生かす3段階
人間の映像や動作は大量に集められる一方、データの種類はそろっていません。映像だけのもの、動作だけのもの、両方がそろったものが混在します。また、人間の動きをそのままロボットの指令に置き換えることもできません。5
9
Being-M0.7は、この違いを踏まえて学習を段階に分けています。
- 事前学習：映像と動作の関係を学ぶ
Transformerを組み合わせた構成で映像と動作を共通の表現空間に置き、未来の視覚表現と身体の動きを一緒に予測します。画素そのものではなく、画像モデルDINOが抽出した視覚特徴を使う方式です。1
12
- 中間学習：ロボットに合わせる
ロボットの軌跡データを使い、人間のデータから得た予測の土台を、ロボットのカメラ視点や身体構成、動き方に適応させます。7
8
- 後段学習：予測を実行指令に変える
別のアクション・エキスパートが、固定された予測モデルの情報をもとに、ロボットが実行できる全身指令を学習します。人間の動きを直接まねるのではなく、予測した状況をロボット固有の制御へ結び付ける構成です。
学習データには、映像と動作が対になったものに加え、映像のみ・動作のみのデータも含まれます。公開データセットとしてEgo4D、Xperience、Nymeria、Bones-SEED、SnapMoGen、HumanML3D、Lafan1などが挙げられ、BeingBeyondの過去のデータや商用データも加わっています。1
14
資料では、人間とロボットの動作をつなぐ共通表現として、頭部を基準にした22次元の動作表現も説明されています。12
14 ただし、提供された資料だけでは各次元の詳しい定義や、欠けたデータ形式を補う仕組みの実装までは確認できません。
シミュレーションでは総合成功率71.1％
SIMPLEシミュレーションベンチマークは、人型ロボットの6タスクを3段階の難易度で評価します。Being-M0.7は180試行中128回成功し、成功率は71.1％。比較対象のモデルの中で最も高い総合成績でした。6
8
報告されている比較値は、Ψ0が64.4％、π0.5が52.8％、GR00T-N1.6が33.9％です。また、人間データによる事前学習を外した条件では、成功率が48.9％に下がりました。6
ただし、総合成績が最上位だからといって、すべてのタスクで勝ったわけではありません。報告では、Ψ0が1タスク、π0.5が別の2タスクでBeing-M0.7を上回っています。6 また、言語情報のみを使う条件との比較では、XMovePickとBendPickは改善した一方、XMoveBendPickは悪化しました。論文は、見た目の似たタスクを同時に学習する際の干渉が関係した可能性を挙げています。
5
7
実機評価は小規模で、成功回数の記載にも差
実機ではUnitree G1を使い、歩行と物体操作を組み合わせた3タスクを評価。各タスクの試行回数は5回で、論文の説明では最も強い比較対象と同等の成績でした。5
7
一方、成功回数の数字は資料間で一致していません。いくつかの記述ではBeing-M0.7が15試行中7回、GR00T-N1.6が2回、Ψ0が3回とされています。2
11 そのため、Being-M0.7とGR00T-N1.6がともに13回成功したという数字は、今回確認できる資料からは裏付けられません。実機の評価結果を読む際は、比較の結論だけでなく、試行回数の少なさと数字の不一致も考慮する必要があります。
期待できる点と残る課題
人間のデータを先に活用する設計は、ロボットでの実演だけでは集めにくい多様な映像・動作の経験を学習に取り入れ、最後にロボット固有のデータで実行方法を合わせる考え方です。1
7 SIMPLEで人間データによる事前学習を外すと成績が下がった結果も、その学習段階が重要であることを示しています。
6
ただし、実機評価は3タスク各5試行と小規模です。長時間にわたる動作や複数段階の作業で、安定して動けるかを判断するには追加の評価が必要です。5
7 また、論文で使われた全身制御器は、実演データの収集時に手先の動きを十分な精度で追従できず、訓練に使えるロボットデータの量や質を制約したと報告されています。これはモデルそのものの性能とは別に、ロボットの実演をどう集めるかという課題です。
5
なお、10月12日は紹介記事の掲載日として示されており、モデルの公開時期そのものとは限りません。BeingBeyondの研究ページでは、Being-M0.7は2026年7月のモデルとして掲載されています。4
16
Studio Global AI
研究を続けてください
このページにはソースに裏付けされた回答が含まれており、Studio Global 内で続行できます。
人々も尋ねます
「人の動画1万時間超で歩行と操作を学ぶ——Being-M0.7の仕組みと実力」の短い答えは何ですか?
Being M0.7は、歩きながら物をつかむなどの全身移動と操作を同時に扱う、人型ロボット向けの「潜在世界・行動モデル」です。[1][6]
最初に検証する重要なポイントは何ですか?
Being M0.7は、歩きながら物をつかむなどの全身移動と操作を同時に扱う、人型ロボット向けの「潜在世界・行動モデル」です。[1][6] ロボットの軌跡を使う前に、1万時間を超える人間中心の映像・動作データから予測の土台を学び、ロボット向けの訓練で実行可能な全身指令につなげます。[1][8]
次の実践では何をすればいいでしょうか？
SIMPLEシミュレーションでは180試行中128回成功し、成功率は71.1%。一方、実機のUnitree G1評価は3タスク各5試行で、結果の一部には情報源間の数字の食い違いがあります。[6][7][11]