学者提出HumanoidToolBench基准评估人形机器人工具使用
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载18项任务怎么划分
这套基准把工具使用拆成可测量的若干维度。它一共包含18项任务，覆盖三种场景、三个执行层级以及两种工具集模式。所谓执行层级，指向的是从挑选工具到真正把动作做出来之间的不同环节；两种工具集模式则对应工具集合的不同组织方式。任务设计的目标，是让评测不再只看单一动作是否完成，而是把选工具、操作工具、必要时移动身体这几件事放在同一条链路上考察。作者指出，此前已有的基准没有在人形平台上把这些能力合在一起评估，因此才需要一套新的任务集合来填补这个位置。
3.1k演示数据来源
与基准配套的是一个名为ToolBook的数据集，规模为3.1千条演示。这些演示的采集途径有两条：一部分在仿真环境中生成，另一部分来自真实机器人，具体机型为Unitree G1。把仿真与真机数据放在同一个数据集里，意味着后续既可以做纯仿真的批量评测，也能在实体平台上验证策略是否站得住。数据与代码均已公开，论文本身共9页、含7张图，提交时间为2026年10月1日，属于机器人学与人工智能交叉方向。
七加三策略的差距
评测分两批进行：仿真环境中测试了七种策略，真实机器人上测试了三种策略。结果显示，能够挑出合适工具，与能够把整项任务做完，这两件事之间存在明显落差——选对了工具并不等于任务就能顺利完成。针对GR00T N1.7的专项探测还暴露出两类问题：面对训练中没见过的工具时，选择准确率会下降；而在接收到与当前任务无关的指令时，策略仍会继续执行原有任务。这两点分别指向泛化能力与指令跟随的薄弱环节。
对使用者的意义
对做机器人学习的人来说，这套基准的价值在于把评测口径从单点动作扩展到完整流程，并且同时提供仿真与真机的对照条件。3.1千条演示和18项任务构成了可复现的比较基础，七种与三种策略的测试结果则给出了当前方法的位置参照。需要注意的是，探测中出现的未见工具选择准确率下降、无关指令下仍继续执行等现象，说明现有策略在工具泛化和指令理解上仍有明显限制，这些限制也正是后续改进需要针对的方向。
为什么值得看
揭示人形机器人在工具选择与移动操作协同上的缺陷，为提升具身智能体复杂任务完成率提供评测依据。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。