10.000 Stunden Menschenvideo: Wie BeingBeyond Humanoiden Laufen und Greifen beibringt
Redaktion roboter-zentrale.de· 12. Oktober 2026· 4 Min. Lesezeit
- Being-M0.7 wird mit über 10.000 Stunden Video- und Bewegungsdaten von Menschen vortrainiert, bevor es Roboterbewegungen sieht.
- Das Modell sagt künftige Bilder und die ganze Körperbewegung voraus, statt Pixel zu erzeugen.
- Im Test SIMPLE gelingen 128 von 180 Aufgaben (71,1 Prozent); ohne Vortraining mit Menschenvideo fällt der Wert auf 48,9 Prozent.
- Auf einem Unitree G1 löst das Modell 13 von 15 Greif-Aufgaben — gleichauf mit dem stärksten Vergleichsmodell, nicht besser.
Das Pekinger Start-up BeingBeyond hat mit Being-M0.7 ein Modell veröffentlicht, das humanoide Roboter gleichzeitig laufen und greifen lässt. Das Besondere: Das Training beginnt mit über 10.000 Stunden Video- und Bewegungsdaten von Menschen. Roboterdaten, die knapp und teuer sind, kommen erst danach.
Warum Menschenvideo. Daten von echten Humanoiden sind selten und teuer zu sammeln. Video aus der Ich-Perspektive und Bewegungsaufzeichnungen von Menschen gibt es dagegen reichlich. Der Haken: Menschliche Bewegungen passen nicht eins zu eins auf einen Roboter, und viele Aufnahmen sind unvollständig — mal fehlt das Bild, mal die Bewegung.
Wie das Modell damit umgeht. Das Training läuft in drei Stufen. Zuerst lernt das Modell, Bild und Bewegung in einen gemeinsamen Raum zu bringen und beides vorherzusagen. Danach wird es auf Kamera und Körper des Roboters angepasst. Zuletzt kommt ein „Action Expert“ dazu, der die Ganzkörperbefehle ausgibt. Fehlende Daten ergänzt das Modell über Platzhalter, statt sie wegzuwerfen. Statt Pixeln nutzt es feste Bildmerkmale aus einem DINO-Modell, einem bekannten Bildverarbeitungsnetz.
Die Zahlen. Im Simulations-Test SIMPLE mit sechs Aufgaben löst Being-M0.7 128 von 180 Versuchen, also 71,1 Prozent — der beste Wert im Vergleich. Ohne das Vortraining mit Menschenvideo sinkt er auf 48,9 Prozent. Das heißt konkret: Der Nutzen steckt vor allem im Vortraining, nicht im Feinschliff.
Auf dem echten Roboter nur gleichauf. Auf einem Unitree G1 mit Greifhänden löst das Modell 13 von 15 Versuchen (86,7 Prozent) — genauso gut wie das stärkste Vergleichsmodell, nicht besser. Andere Ansätze fallen deutlich zurück. Die Autoren nennen Grenzen: Getestet wurden nur kurze Aufgaben, und die Genauigkeit der Steuerung begrenzt die Qualität der Daten.
| Hintergrund | BeingBeyond, Peking (Gründer Lu Zongqing, Professor der Peking-Universität) |
| Vortraining | über 10.000 Stunden Video und Bewegung von Menschen |
| Test SIMPLE | 128 von 180 Versuchen gelöst (71,1 Prozent), bester Wert |
| Ohne Menschenvideo | 48,9 Prozent |
| Echter Roboter | Unitree G1: 13 von 15 Versuchen (86,7 Prozent), gleichauf |
| Grenzen | nur kurze Aufgaben getestet; Steuerungsgenauigkeit begrenzt die Daten |
Die Ergebnisse stammen aus einem simulierten Test und aus wenigen Versuchen am echten Roboter. Zum Serieneinsatz in einem Betrieb sagen sie nichts. Angaben wie 71,1 Prozent sind Modellwerte, keine Taktzeit und keine Ausfallrate.
Menschliche Videos werden zur Rohstoffquelle
Bisher kauft die Branche Roboterdaten teuer ein oder lässt Roboter in Trainingszentren laufen. Being-M0.7 zeigt den zweiten Weg: erst aus menschlichen Videos lernen, dann am Roboter nachjustieren. Für Betriebe bleibt das Zukunftsmusik — aber es erklärt, warum Humanoide in kurzer Zeit so viel besser werden.
Was würde ein Roboter in Ihrem Betrieb kosten?
Rechnen Sie Break-even und Monatsrate in 60 Sekunden aus — kostenlos, ohne Anmeldung.
Zum ROI-Rechner →