AnswersPublished17 sources
10 bin saatlik insan verisiyle insansı robotlara eşzamanlı yürüme ve nesne manipülasyonu
Being M0.7, yürüme ile nesne tutma ve taşıma gibi hareketleri tek bir bütün vücut kontrolü içinde birleştirmeyi amaçlıyor.[1][4] Model, robot yörüngelerine geçmeden önce 10 binden fazla saatlik insan odaklı video ve hareket verisinden öğreniyor; ardından bu bilgiyi robotun bakış açısına ve bedenine uyarlıyor.[1][14]...
YayımlayanGPT-6 Luna ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- Being M0.7, yürüme ile nesne tutma ve taşıma gibi hareketleri tek bir bütün vücut kontrolü içinde birleştirmeyi amaçlıyor.[1][4]
- Model, robot yörüngelerine geçmeden önce 10 binden fazla saatlik insan odaklı video ve hareket verisinden öğreniyor; ardından bu bilgiyi robotun bakış açısına ve bedenine uyarlıyor.[1][14]
- SIMPLE simülasyonunda 180 denemenin 128’inde başarı sağladı (%71,1). Gerçek Unitree G1 testinde ise üç görevde en güçlü karşılaştırma modeliyle başa baş sonuç verdi.[5][6]
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
İnsansı bir robotun yürürken bir nesneyi alması, yalnızca iki beceriyi art arda çalıştırmak değildir. Robotun çevreyi algılaması, sonraki hareketini öngörmesi ve gövdesini dengede tutarken kollarını koordine etmesi gerekir. BeingBeyond’ın geliştirdiği Being-M0.7, bu tür eşzamanlı hareketlere —robotik literatürde “loco-manipulation” deniyor— yönelik bir dünya-eylem modeli.1
4
Modelin temel fikri, robota doğrudan hareket taklidi yaptırmak yerine önce insan verisinden dünyanın ve bedenin nasıl değiştiğine dair bir tahmin altyapısı kazandırmak. Şirketin araştırma sayfası, ön eğitimde 10 binden fazla saatlik ham, insan odaklı çok kipli veriden yararlanıldığını belirtiyor.1
14
Üç aşamada insan verisinden robot kontrolüne
1. Ön eğitim: video ile hareketi ortak temsilde buluşturma. Model, Mixture of Transformers (MoT) yapısıyla video ve beden hareketini ortak bir temsil alanında öğreniyor. Ardından gelecekteki görsel durumu ve hareketi birlikte tahmin ediyor. Sistem, pikselleri baştan üretmek yerine görsel özellikler üzerinde çalışıyor; kaynaklarda bunlar donmuş DINO görsel özellikleri olarak tanımlanıyor. İnsan ve robot hareketleri için ortak kullanılan kompakt temsilin de baş ve kök hareketine dayalı 22 boyutlu bir biçimi olduğu aktarılıyor.1
12
Veri tek tip değil: bazı örneklerde video ile hareket birlikte bulunurken bazılarında yalnızca video ya da yalnızca hareket var. Bu üç veri akışı, eşleşmiş örneklerle birlikte öğrenmeyi; tek kipli örneklerle de veri kapsamını genişletmeyi sağlıyor.14 Ego4D, Xperience, Nymeria, Bones-SEED, SnapMoGen, HumanML3D ve Lafan1 gibi veri kümelerinin yanı sıra şirketin önceki çalışmalarından ve ticari kaynaklardan gelen veriler de kullanılmış.
1
2. Robot verisiyle uyarlama. İnsan hareketleri bir robota doğrudan komut olarak aktarılamaz: beden yapısı, kamera açısı ve hareket dinamikleri farklıdır. Bu nedenle robot yörüngeleri, önceden öğrenilmiş tahmin altyapısını belirli robotun bakışına ve bedenine uyarlamak için kullanılıyor.4
7
3. Eylem uzmanıyla kontrol. Son aşamada, ayrı bir eylem uzmanı donmuş tahmin altyapısının ürettiği görsel bağlamı robotun uygulayabileceği bütün-vücut komutlarına dönüştürüyor.5
7 Böylece model insan hareketini olduğu gibi kopyalamıyor; insan verisinden öğrendiği öngörüleri robotun kontrolüne bağlıyor.
Bu yaklaşım neden işe yarayabilir?
Robotlardan gerçek dünyada örnek toplamak, her hareket için robotu çalıştırıp sonucu kaydetmeyi gerektirir. İnsan videoları ve hareket verileri ise robot gösterimlerinden daha geniş bir öğrenme zemini sunabilir. Ancak bu veriler eksik ve farklı biçimlerde olabilir; ayrıca insanın yaptığı hareket robotun eklemleri ve dengesiyle bire bir örtüşmez.5
7 Being-M0.7’nin üç aşamalı düzeni, bu iki sorunu ayırmayı hedefliyor: önce genel hareket ve çevre tahmini, sonra robota uyarlama, en son uygulanabilir komut üretimi.
Test sonuçları ve önemli ayrıntılar
SIMPLE simülasyon ölçütü, üç zorluk düzeyine yayılan altı insansı robot görevini kapsıyor. Being-M0.7, 180 denemenin 128’inde başarılı olarak yüzde 71,1 toplam başarı oranına ulaştı. Bu, karşılaştırılan modeller arasında en yüksek toplam oran olarak raporlandı. Aynı ölçütte Ψ0 yüzde 64,4, π0.5 yüzde 52,8 ve GR00T-N1.6 yüzde 33,9 başarı sağladı. İnsan verisiyle ön eğitim çıkarıldığında başarı oranı yüzde 48,9’a geriledi.6
Bu toplam skor, modelin her görevde rakiplerinden daha iyi olduğu anlamına gelmiyor. Raporlanan görev karşılaştırmalarında bazı modeller belirli görevlerde daha başarılıydı. Ayrıca Being-M0.7’nin tam sürümü, yalnızca dil bağlamı kullanılan bir varyanta göre XMovePick ve BendPick görevlerinde daha iyi sonuç verirken XMoveBendPick’te daha zayıf kaldı. Çalışmada bu fark, benzer görsel gözlemleri paylaşan görevlerin ortak eğitimindeki olası etkileşime bağlanıyor; bu, yazarların açıklaması olarak değerlendirilmeli.6
7
Gerçek dünya testleri, Unitree G1 insansı robotunda üç hareket ve nesne manipülasyonu göreviyle yapıldı; her görev beş kez denendi. Being-M0.7, en güçlü karşılaştırma modeliyle başa baş sonuç verdi. Deneme sayısı sınırlı olduğundan bu sonuç, farklı ortamlar ve daha uzun görevler için genel bir güvenilirlik kanıtı sayılmaz.5
7
Sınırlar: kısa görevler ve veri toplama
Gerçek robot testlerinde her görev için yalnızca beş deneme yapılması, tek bir sonucun toplam oran üzerindeki etkisini büyütüyor.5 Ayrıca kısa süreli yürüme ve nesne alma testleri; uzun görev dizilerinde güvenilirliği, hatalardan toparlanmayı ya da uzun süreli çalışmayı tek başına göstermiyor. Daha uzun zaman aralıklarına yayılan hareket ve manipülasyon görevlerinde performansın ayrıca incelenmesi gerekiyor.
5
Bir diğer pratik sınırlama, robot gösterimlerini toplarken kullanılan bütün-vücut kontrolcüsünün takip doğruluğu. Kaynakta, SONIC kontrolcüsünün uç efektör takibindeki sınırlılıklarının robot gösterimi toplamayı zorlaştırdığı ve orta eğitim ile son eğitim için kullanılabilecek verinin miktarını ve niteliğini etkilediği belirtiliyor.5 Bu, doğrudan Being-M0.7’nin tahmin modelinden değil, veri toplama ve kontrol düzeninden kaynaklanan bir kısıt.
Being-M0.7’nin öne çıkan yönü, insan verisini robot komutlarıyla aynı şeymiş gibi ele almaması. Önce insan hareketlerinden tahmin öğrenip sonra robotun bedenine uyarlaması, simülasyondaki güçlü toplam sonuca katkı sağlamış görünüyor. Ancak gerçek dünyadaki sınırlı deneme sayısı ve kısa görevler, yöntemin daha geniş ölçekte ne kadar dayanıklı olacağını henüz göstermiyor.5
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 "10 bin saatlik insan verisiyle insansı robotlara eşzamanlı yürüme ve nesne manipülasyonu"?
Being M0.7, yürüme ile nesne tutma ve taşıma gibi hareketleri tek bir bütün vücut kontrolü içinde birleştirmeyi amaçlıyor.[1][4]
What are the key points to validate first?
Being M0.7, yürüme ile nesne tutma ve taşıma gibi hareketleri tek bir bütün vücut kontrolü içinde birleştirmeyi amaçlıyor.[1][4] Model, robot yörüngelerine geçmeden önce 10 binden fazla saatlik insan odaklı video ve hareket verisinden öğreniyor; ardından bu bilgiyi robotun bakış açısına ve bedenine uyarlıyor.[1][14]
What should I do next in practice?
SIMPLE simülasyonunda 180 denemenin 128’inde başarı sağladı (%71,1). Gerçek Unitree G1 testinde ise üç görevde en güçlü karşılaştırma modeliyle başa baş sonuç verdi.[5][6]
Sources
arxiv.orgBeing-M0.7: A Latent World-Action Model for Humanoid ...
elites.zoneBeingBeyond Launches Being-M0.7 Model for Humanoid Robots
research.beingbeyond.comBeing-M0.7: A Latent World-Action Model for Humanoid Robots
pandaily.comBeingBeyond's Being-M0.7 Uses 10,000 Hours of Human Video to Teach Humanoids to Walk and Grasp
qingkeai.online