论文页面 - RoboSPA：VLA模型能否超越简单场景与短时程任务？

来源：https://huggingface.co/papers/2609.05324
作者：

,

,

,

,

,

,

,

,

,

,

摘要

RoboSPA是一个大规模机器人操作基准，旨在评估视觉-语言-动作模型在逐步增加难度的任务变体中，进行细粒度空间推理与长时程程序规划的能力。

视觉-语言-动作（VLA）模型在语言条件下的机器人操作方面已展现出令人鼓舞的进展。然而，现有数据集和基准主要评估预设场景下的任务完成情况，对于模型在空间和程序复杂度增加时的推理能力揭示有限。我们推出了RoboSPA（机器人空间-程序评估），这是一个大规模的机器人操作数据集与基准，用于诊断VLA模型中的具身推理。RoboSPA聚焦于两个核心维度：细粒度空间推理和长时程程序规划，涵盖10个任务类别和56个基础任务。每个任务在五个难度层级上进行实例化，生成280个空间模糊性和程序复杂性递增的变体。我们收集了52.7万条跨多种执行体与多样化场景的轨迹。除二元成功率外，RoboSPA还引入了诊断性指标以实现更精细的评估。在代表性VLA模型上的实验表明，当前系统仍在复杂空间关系、精确的底层执行以及需要大量记忆的规划方面存在挑战。这些结果确立了RoboSPA作为一个具有挑战性的诊断基准，用于开发更强大、可靠且可泛化的具身智能体。我们的数据和代码已开源：https://github.com/fanzhenxuan/RoboSPA\。

查看arXiv页面 查看PDF 项目主页 GitHub 添加到收藏

引用本文的模型 0

暂无模型链接本文

在模型的 README.md 中引用 arxiv.org/abs/2609.05324 以从本页建立链接。

引用本文的数据集 0

暂无数据集链接本文

在数据集的 README.md 中引用 arxiv.org/abs/2609.05324 以从本页建立链接。

引用本文的Spaces 0

暂无Space链接本文

在Space的 README.md 中引用 arxiv.org/abs/2609.05324 以从本页建立链接。

包含本文的收藏 0

暂无收藏包含本文

将本文添加到收藏 以从本页建立链接。