论文页面 - RoboLab：面向任务通才策略分析的高保真仿真基准

来源：https://huggingface.co/papers/2604.09860

摘要

RoboLab 是一个仿真基准框架，通过可扩展、逼真的任务生成和在受控扰动下对策略行为的系统分析，解决机器人策略评估的局限。

通用机器人研究已取得令人瞩目的基础模型（https://huggingface.co/papers?q=foundation%20models），但基于仿真的基准测试却成为瓶颈：性能迅速饱和，且缺乏真正的泛化测试。现有基准常在训练与评估之间存在显著域重叠，导致成功率虚高，并掩盖对鲁棒性的洞察。我们推出 RoboLab，一个专为解决这些挑战而设计的仿真基准（https://huggingface.co/papers?q=simulation%20benchmarking）框架。具体而言，该框架旨在回答两个问题：(1) 通过在仿真中分析行为，我们能在多大程度上理解真实世界策略的性能；(2) 在受控扰动（https://huggingface.co/papers?q=controlled%20perturbations）下，哪些外部因素最强烈地影响该行为。首先，RoboLab 支持人工编写和 LLM 辅助生成场景与任务，方式与机器人和策略无关，并在物理真实且照片级逼真的仿真（https://huggingface.co/papers?q=photorealistic%20simulation）中进行。基于此，我们提出 RoboLab-120 基准，包含 120 项任务，按视觉、程序、关系三项能力轴分类，并跨越三个难度等级。其次，我们引入对真实世界策略的系统分析，量化其性能及其行为对受控扰动（https://huggingface.co/papers?q=controlled%20perturbations）的敏感度，表明高保真仿真可作为分析性能及其对外部因素依赖的代理。RoboLab 的评估揭示了当前顶尖模型的显著性能差距。通过提供细粒度指标和可扩展工具集，RoboLab 为评估任务通才机器人策略（https://huggingface.co/papers?q=task-generalist%20robotic%20policies）的真正泛化能力提供了可扩展框架。

查看 arXiv 页面（https://arxiv.org/abs/2604.09860）
查看 PDF（https://arxiv.org/pdf/2604.09860）
项目主页（https://research.nvidia.com/labs/srl/projects/robolab/）
GitHub77（https://github.com/NVLabs/RoboLab）
添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2604.09860）

引用本文的模型 0

暂无模型链接本文

在模型 README.md 中引用 arxiv.org/abs/2604.09860 即可在此页面显示链接。

引用本文的数据集 0

暂无数据集链接本文

在数据集 README.md 中引用 arxiv.org/abs/2604.09860 即可在此页面显示链接。

引用本文的 Spaces 0

暂无 Space 链接本文

在 Space README.md 中引用 arxiv.org/abs/2604.09860 即可在此页面显示链接。

包含本文的合集 1