移动式机器人的模型评价基准

视觉语言动作模型在机器人操作中面临数据成本高和场景受限的瓶颈。MobileManiBench框架通过模拟生成大规模数据，为移动式机器人和灵巧手操作提供了统一测试平台，有效解决了模型验证难题，推动了具身智能发展。

智能速览

• 针对移动式机器人提出了MobileManiBench模拟框架

• 利用强化学习技术生成了大规模多样化操作数据集

• 涵盖630种对象和100个任务，支持多模态输入

• 策略模型在模拟环境中成功率接近90%

• 视觉语言动作模型在新场景中展现出泛化能力

精华内容

现有VLA模型受限于静态场景，新框架通过模拟与强化学习打破瓶颈，构建了高效的移动操作验证环境。

模拟框架构建

针对视觉语言动作模型数据收集难、静态场景限制多的问题，MobileManiBench利用NVIDIA Isaac Sim和强化学习技术，构建了基于模拟的生成框架。该框架支持移动机器人和灵巧手等多种配置，能够生成包含语言、视觉和动作的多模态数据集。

基准数据规模

研究构建了包含630种对象、20个类别以及100个任务的模拟基准。通过设计并训练通用的强化学习策略，实现了高效的数据生成。这一大规模基准为移动机器人操作提供了统一且多样化的测试平台，解决了大规模验证难的问题。

策略模型表现

实验数据显示，训练得到的MobileManiRL策略模型在模拟环境中表现优异。其中，G1机器人的成功率达到89.6%，XHand机器人的成功率更是高达92.9%。这一结果表明，基于模拟生成的数据能够有效训练出高成功率的机器人操作策略。

泛化能力验证

基于MobileManiDataset训练的MobileManiVLA模型，在未见过的对象和场景中成功率达到57.3%。实验还发现，多视角和多模态输入显著提升了操作准确性，灵巧手在抓取精度和多样性方面也具有显著优势，证明了模型面对新环境的适应潜力。

MobileManiBench通过开源数据集和代码，为移动式机器人操作提供了标准化测试方案。这不仅加速了视觉语言动作模型的验证迭代，也为通用型具身智能的未来发展奠定了坚实基础，值得行业持续关注。