CAPSafe：面向具身智能体情境化动作与规划安全推理的基准
作者提出CAPSafe基准，从动作级和规划级两个层面评估具身智能体的安全推理，其中动作级判断单个动作在给定环境情境下是否安全，规划级评估智能体能否为复杂危险家务任务生成安全的长程规划。
推荐理由：该预印本提出情境化动作与长程规划两级安全基准，并给出九个LLM在危险识别与安全规划间的差距数据。
技术方向
评测基准 最新动态
与机器人感知、决策和物理交互直接相关的评测基准进展
47 条精选近 30 天 47 条共收录 88 条
更新
精选归档 · 第 3 页
arXiv · cs.RO官方发布精选AI 评分6262 arXiv · cs.RO官方发布精选AI 评分6868 论文系统评测 GPT-6 Astra 直接控制机器人操作的能力
论文系统评测了 GPT-6 Astra 在轻量智能体执行框架下的闭环机器人操作能力，在 RoboDojo 上成功率为 26.92%，在 RoboTwin 2.0 上为 76.0%。
推荐理由：论文用五个基准和新增几何约束基准系统评测 GPT-6 Astra 的闭环操作能力，并指出语义推理与物理执行之间的差距。
arXiv · cs.RO官方发布精选AI 评分6262 RoboCasa-Shift：面向长程家务操作 VLA 策略的分阶段鲁棒性评测基准
作者提出 RoboCasa-Shift，一个基于 RoboCasa365 的诊断性鲁棒性基准，结合受控单因素扰动、共享相同设置仅目标扰动不同的配对干净-扰动 rollout，以及仿真中的分阶段诊断。
推荐理由：该预印本提出基于 RoboCasa365 的分阶段鲁棒性评测，用配对 rollout 揭示聚合成功率掩盖的执行差异。
arXiv · cs.RO官方发布精选AI 评分6262 Embodied Playground：面向物理、策略与空间推理的长程具身智能体基准
研究团队提出 Embodied Playground，一个用于评估基础模型智能体在长程任务中协调物理、策略与空间推理的基准。该基准包含410个任务环境，覆盖基础操作、序列谜题和多阶段家务活动，并从中整理出跨5个套件、16种任务类型的100项代表任务 EP-100，以及 EP-Easy、EP-Hard 难度划分和精简版 EP-20。
推荐理由：该基准用410个任务环境和统一评测协议，考察基础模型智能体在长程任务中的推理与执行衔接。
arXiv · cs.RO官方发布精选AI 评分6262 ForagerSim：面向大规模动态世界具身地图推理的仿真评测平台
研究团队提出 ForagerSim，一个面向需要地图推理的具身任务的跨学科研究平台与仿真环境，场景覆盖移动机器人搜救与动物觅食，可在复杂迷宫和可能无限大的开阔区域中运行。
推荐理由：该预印本提出可调感知、尺度、拓扑与动态难度的仿真平台，用于比较学习策略与地图基线在需地图推理任务上的差距。
arXiv · cs.RO官方发布精选AI 评分7171 ERR-VLM：用动作分组Turn-GSPO训练具身VLM实现错误恢复重规划
研究提出ERR-Env可验证交互环境与ERR-Bench基准，用于评估具身VLM在正常、中间和错误状态下的恢复能力与执行可靠性。作者进一步提出在线强化学习方法Action-Grouped Turn-GSPO（AGT-GSPO），结合回合级任务进度与错误状态奖励及动作分组优势估计，训练出2B参数的ERR-VLM。
推荐理由：论文给出可验证交互环境与错误恢复基准，并报告2B模型在严格成功率与恢复率上的提升幅度。
arXiv · cs.RO官方发布精选AI 评分7171 VLA-Rolling：复用动作尾部以减少去噪步数并提升控制
VLA-Rolling 提出一种轻量推理框架，通过动作尾部继承、逐动作置信度估计和置信度引导的重加噪与去噪预算分配三阶段复用动作尾部，底层 VLA 保持冻结。
推荐理由：论文提出复用动作尾部的推理框架，在16组模型与基准组合上同时报告推理加速与成功率变化，可供比较VLA推理效率方案。