BeingBeyond、「Being-H0.8」を発表——50万時間のビデオで学習した初の暗黙的触覚世界行動モデル

BeingBeyondは、人間のビデオデータから構築された初の暗黙的触覚世界行動モデル「Being-H0.8」を発表した。このモデルは触覚モダリティを潜在空間表現に組み込み、従来のBeing-H0.7視覚世界モデルを拡張している。インタラクション結果を予測するためにMixture of Transformers（MoT）を使用し、実行とリアルタイム調整にはスローファストアクションエキスパート（Slow-Fast Action Expert）、触覚信号を統一するためにユニバーサル触覚エンコーダ（Universal Tactile Encoder）、人間とロボットの行動空間を整合させるTopoHandを採用している。トレーニングデータプールは50万時間超の一人称視点ビデオから構成され、クリーニング・処理されてUniHand-3.0データセットとなった。ビデオ内の触覚ラベル不足に対処するため、BeingBeyondはTactoHandを開発し、視覚データから接触と近接性を推論し、実際の圧力グローブデータで補完している。モデルは、バッグからの物体取り出し、筆での文字書き、歯磨き粉の絞り出し、チップス拾いなどのタスクを実行する二腕ロボットでテストされ、触覚フィードバックを必要とする繊細な操作を処理する能力を実証した。BeingBeyondは2025年5月に北京大学准教授のLu Zongqingによって設立され、人間のビデオトレーニングの実現可能性の証明（Being-H0からH0.5）、スケールアップ（H0.5からH0.7）、そして現在のデータ品質向上（H0.8）の3段階を経て進化してきた。