研究人员开发了 SO-101 Bench，这是一个用于语言条件空间操作任务的模拟环境，使用低成本机器人手臂。该基准测试建立在真实 SO-101 设置的 Isaac Lab 数字孪生之上，包含各种任务、对象和评估回合，以测试机器人策略。该模拟能够准确地将策略与现实世界硬件进行排名，其中 LLM 智能体通过编写代码并与学习到的策略集成，取得了 83.2% 的分数，而传统的视觉-语言-动作策略得分约为 61%。 AI
影响 该基准测试有望加速现实世界机器人操作任务的 AI 智能体的开发和评估。
排序理由 该集群描述了一个用于机器人操作任务的新模拟基准测试，该测试在研究论文中有详细介绍。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
A simulated benchmark for language-conditioned spatial manipulation on low-cost robot arms reveals that hybrid LLM agents outperform learned vision-language-action policies, with ranking consistency between simulation and real hardware.
arXiv:2610.36420v1 Announce Type: new Abstract: Low-cost arms such as the SO-101 have become the most common entry point to robot learning, yet no released policy performs spatially constrained, language-conditioned tasks on them out of the box, and existing SO-101 benchmarks run…