AnswersPublished19 sources
Hoe leert Being-M0.7 humanoïde robots lopen en tegelijk objecten pakken?
Being M0.7 is een model voor humanoïde robots dat lopen en objecten hanteren als één gecoördineerde taak benadert.[1][6] Het leert eerst van meer dan 10.000 uur aan menselijke video en bewegingsdata en wordt daarna aangepast met robottrajecten.[1][8] In de SIMPLE simulatie behaalde het model 128 successen uit 180 po...
Gepubliceerd doorBewerkt met GPT-6 LunaAfbeeldingen gegenereerd met GPT Image 2
Research answer
Key takeaways
- Being M0.7 is een model voor humanoïde robots dat lopen en objecten hanteren als één gecoördineerde taak benadert.[1][6]
- Het leert eerst van meer dan 10.000 uur aan menselijke video en bewegingsdata en wordt daarna aangepast met robottrajecten.[1][8]
- In de SIMPLE simulatie behaalde het model 128 successen uit 180 pogingen (71,1%).
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
Een humanoïde robot moet bij het lopen voortdurend zijn evenwicht bewaren. Tegelijk iets oppakken vraagt ook om waarneming en precieze coördinatie van het hele lichaam. Being-M0.7, ontwikkeld door AI-start-up BeingBeyond, is bedoeld om die vaardigheden samen aan te sturen: niet als twee losse taken, maar als één vorm van lopen-en-manipuleren.1
6
De kern van de aanpak: het model leert eerst hoe beelden en bewegingen samen veranderen aan de hand van meer dan 10.000 uur menselijke data. Robottrajecten komen pas daarna in beeld, om die kennis om te zetten in opdrachten die een specifieke robot kan uitvoeren.1
8
Van menselijke ervaring naar robotbesturing
Menselijke video- en bewegingsdata zijn op veel grotere schaal beschikbaar dan robotdemonstraties. Maar die gegevens zijn niet altijd compleet: sommige bevatten alleen video, andere alleen beweging. Bovendien kan een robot menselijke bewegingen niet zomaar nadoen; zijn lichaam en mogelijkheden zijn anders.5
Being-M0.7 verwerkt die uitdaging in drie stappen:
- Voortraining: een Mixture of Transformers leert video en beweging in een gedeelde representatieruimte te plaatsen. Het model voorspelt zowel toekomstige visuele informatie als lichaamsbeweging en bouwt zo een voorspelling op van hoe de scène en het lichaam zich kunnen ontwikkelen.
1
8
- Aanpassing aan de robot: robottrajecten helpen het model rekening te houden met het camerastandpunt, de lichaamsbouw en de bewegingsdynamiek van de robot.
7
- Actie-expert: een afzonderlijke actie-expert gebruikt de voorspelde visuele context om uitvoerbare opdrachten voor het hele lichaam te maken. Zo wordt de menselijke kennis vertaald naar robotbesturing, in plaats van menselijke beweging rechtstreeks te kopiëren.
De trainingsdata omvatten gekoppelde video- en bewegingsvoorbeelden, video zonder bijbehorende bewegingsdata en bewegingsdata zonder video. De gekoppelde voorbeelden kunnen beide soorten informatie tegelijk ondersteunen; de andere twee datastromen vergroten het materiaal waarop het model kan leren.5
9 Genoemde bronnen zijn onder meer Ego4D, Xperience, Nymeria, Bones-SEED, SnapMoGen, HumanML3D en Lafan1, aangevuld met eerder materiaal van BeingBeyond en commerciële databronnen.
1
In de technische beschrijvingen worden ook bevroren DINO-beeldkenmerken en een gedeelde, compacte bewegingsrepresentatie van 22 dimensies genoemd.12
14 De beschikbare informatie geeft geen volledige uitleg van alle details van die representatie.
Wat laten de tests zien?
Op de simulatiebenchmark SIMPLE, met zes taken op drie moeilijkheidsniveaus, slaagde Being-M0.7 in 128 van de 180 pogingen: een totaalscore van 71,1%, de hoogste van de vergeleken modellen.8 Genoemde resultaten van andere modellen zijn 64,4% voor Ψ0, 52,8% voor π0.5 en 33,9% voor GR00T-N1.6.
6
Een totaalscore vertelt niet het hele verhaal: de andere modellen deden het op enkele afzonderlijke taken beter. Ook daalde de score van Being-M0.7 naar 48,9% wanneer de voortraining met menselijke data werd weggelaten.6
Op een echte Unitree G1, een humanoïde robot, werden drie taken voor lopen en manipuleren getest, elk vijf keer. Being-M0.7 eindigde daar gelijk met de sterkste baseline; de test liet dus geen duidelijke winnaar zien.7 Met slechts vijf pogingen per taak is dat resultaat bovendien geen brede maatstaf voor betrouwbaarheid in uiteenlopende omstandigheden.
7
Wat de resultaten nog niet aantonen
De praktijktests waren beperkt in omvang en taakduur. Ze tonen niet aan hoe betrouwbaar het model is bij langdurige of uit meerdere stappen bestaande opdrachten. Ook vermeldt de aangehaalde analyse dat de beperkte nauwkeurigheid van de SONIC-controller bij het volgen van bewegingen het verzamelen van robotdemonstraties bemoeilijkte. Dat betreft de controller en de kwaliteit van de verzamelde demonstraties, niet een gemeten nauwkeurigheid van Being-M0.7 zelf.5
De publicatie over het model verscheen in juli 2026; 12 oktober is de datum van latere berichtgeving, niet de oorspronkelijke verschijningsdatum.4 Lu Zongqing wordt in de bronnen genoemd als universitair hoofddocent aan de Universiteit van Peking en oprichter van BeingBeyond.
6
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 "Hoe leert Being-M0.7 humanoïde robots lopen en tegelijk objecten pakken?"?
Being M0.7 is een model voor humanoïde robots dat lopen en objecten hanteren als één gecoördineerde taak benadert.[1][6]
What are the key points to validate first?
Being M0.7 is een model voor humanoïde robots dat lopen en objecten hanteren als één gecoördineerde taak benadert.[1][6] Het leert eerst van meer dan 10.000 uur aan menselijke video en bewegingsdata en wordt daarna aangepast met robottrajecten.[1][8]
What should I do next in practice?
In de SIMPLE simulatie behaalde het model 128 successen uit 180 pogingen (71,1%).