AnswersPublished18 sources
Slik lærer Being-M0.7 en humanoid å gå og gripe samtidig
Being M0.7 er en såkalt latent world action modell som skal koordinere gange og håndtering av gjenstander som én helkroppsoppgave.[1][6] Den lærer først fra over 10 000 timer med menneskevideo og bevegelsesdata, før robotdata brukes til å tilpasse modellen og trene en egen handlingsmodul.[1][8] I simulering oppnådde...
Publisert avRedigert med GPT-6 LunaBilder generert med GPT Image 2
Research answer
Key takeaways
- Being M0.7 er en såkalt latent world action modell som skal koordinere gange og håndtering av gjenstander som én helkroppsoppgave.[1][6]
- Den lærer først fra over 10 000 timer med menneskevideo og bevegelsesdata, før robotdata brukes til å tilpasse modellen og trene en egen handlingsmodul.[1][8]
- I simulering oppnådde modellen 71,1 prosent suksess. På en Unitree G1 ble den rapportert å være på nivå med den sterkeste sammenlignede modellen, men de virkelige testene var små.[5][6][7]
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 er en modell fra BeingBeyond som skal hjelpe humanoide roboter med såkalt «loco-manipulation»: å bevege seg mens de samtidig håndterer ting. I stedet for å behandle gange og gripebevegelser som to separate ferdigheter, prøver modellen å koordinere hele kroppen under én oppgave.1
6
Kjernen i ideen er å lære hvordan synsinntrykk og kroppbevegelser henger sammen, før modellen trenes til å styre en bestemt robot. Til det bruker Being-M0.7 over 10 000 timer med rå menneskedata, blant annet video tatt fra førstepersonsperspektiv og bevegelsesdata.1
8
Fra menneskedata til robotkommandoer
Robotdemonstrasjoner kan vise nøyaktig hvordan en bestemt robot skal utføre en oppgave, men slike data er ikke alltid lett tilgjengelige. Menneskedata finnes i større variasjon, men har et problem: Noen opptak inneholder bare video, andre bare bevegelsesdata, og menneskekroppen beveger seg ikke på samme måte som en robot.5
Being-M0.7 håndterer dette gjennom tre trinn:
- Fortrening på menneskedata: En modellstruktur kalt Mixture of Transformers lærer en felles representasjon av video og bevegelse. Den trenes til å forutsi både framtidige visuelle tilstander og kroppbevegelser.
1
8
- Tilpasning med robotdata: Robotbaner brukes til å tilpasse det modellen har lært, til robotens eget kamera, kropp og bevegelsesdynamikk.
7
- Trening av en handlingsmodul: En separat handlingsmodul bruker den fryste modellens prediksjoner som kontekst og omsetter dem til styringskommandoer for hele kroppen.
Slik brukes menneskedata til å lære modellen å forutsi hvordan verden og kroppen utvikler seg, mens robotdata forankrer denne kunnskapen i handlinger roboten faktisk kan utføre.1
7
Datagrunnlaget omfatter parede eksempler med både video og bevegelse, video uten tilhørende bevegelsesdata og bevegelsesdata uten video. Blant datasettene som nevnes, er Ego4D, Xperience, Nymeria, Bones-SEED, SnapMoGen, HumanML3D og Lafan1, i tillegg til materiale fra tidligere BeingBeyond-prosjekter og kommersielle kilder.1
5
9
Prosjektbeskrivelsen omtaler også fryste DINO-bildefunksjoner og en felles bevegelsesrepresentasjon på 22 dimensjoner, forankret i hodet og kroppens rot.12
14 Det tilgjengelige kildematerialet forklarer imidlertid ikke fullt ut hvordan modellen håndterer manglende datamodaliteter, eller hva hver av de 22 dimensjonene innebærer.
Gode simuleringsresultater – med forbehold
På SIMPLE, en simuleringsbenk for humanoide oppgaver, ble Being-M0.7 testet på seks oppgaver med tre vanskelighetsgrader. Modellen lyktes i 128 av 180 forsøk, tilsvarende 71,1 prosent, og hadde den høyeste samlede suksessraten blant modellene som ble sammenlignet.6
8
De oppgitte sammenligningstallene var 64,4 prosent for Ψ0, 52,8 prosent for π0.5 og 33,9 prosent for GR00T-N1.6. Uten fortrening på menneskedata falt Being-M0.7s resultat til 48,9 prosent.6 Likevel var den ikke best på hver enkelt oppgave: Ψ0 gjorde det bedre på én oppgave, mens π0.5 gjorde det bedre på to.
6
På den virkelige Unitree G1-roboten ble modellen prøvd på tre oppgaver som kombinerte forflytning og håndtering av gjenstander, med fem forsøk per oppgave. Rapporteringen beskriver resultatet som på nivå med den sterkeste sammenlignede modellen, ikke som en klar seier.5
7 Med så få forsøk bør resultatet tolkes varsomt.
Hva resultatene ikke viser
Testene dokumenterer ikke hvordan modellen vil klare lange, sammensatte oppgaver eller drift over tid. Kildematerialet peker på at oppgavene hadde begrenset varighet, og at lengre forløp fortsatt må undersøkes.5
Det er også meldt om begrenset nøyaktighet i SONIC-helkroppskontrolleren som ble brukt ved innsamling av robotdemonstrasjoner. Det kan påvirke både mengden og kvaliteten på robotdataene, men er en begrensning ved kontrolleren – ikke nødvendigvis ved selve world-action-modellen.5
Being-M0.7 viser dermed en mulig vei til å bruke store mengder menneskedata i robotlæring: først lære generelle sammenhenger mellom syn og bevegelse, deretter tilpasse kunnskapen til robotens kropp. Simuleringsresultatene er lovende, men de små testene på fysisk robot gir foreløpig et begrenset grunnlag for å si hvor robust metoden er i større skala.
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 "Slik lærer Being-M0.7 en humanoid å gå og gripe samtidig"?
Being M0.7 er en såkalt latent world action modell som skal koordinere gange og håndtering av gjenstander som én helkroppsoppgave.[1][6]
What are the key points to validate first?
Being M0.7 er en såkalt latent world action modell som skal koordinere gange og håndtering av gjenstander som én helkroppsoppgave.[1][6] Den lærer først fra over 10 000 timer med menneskevideo og bevegelsesdata, før robotdata brukes til å tilpasse modellen og trene en egen handlingsmodul.[1][8]
What should I do next in practice?
I simulering oppnådde modellen 71,1 prosent suksess. På en Unitree G1 ble den rapportert å være på nivå med den sterkeste sammenlignede modellen, men de virkelige testene var små.[5][6][7]