Open Source Robotics

精選高品質的開源機器人專案、工具與軟體,推動機器人社群向前發展。

機器人學習的基準測試合集

常用的機器人學習基準測試,包括 RLBench、MetaWorld、LIBERO 與 CALVIN,可比較其任務、模擬器與評估方式。

基準測試

  • Isaac Lab-Arena: NVIDIA 的開源 Isaac Lab 擴充套件,用於建構模擬基準測試,並在數千個平行環境中評估機器人策略。
  • RoboDojo: RoboDojo 是採用 MIT 授權的操作基準測試:42 項 Isaac Sim 任務與 18 項真實機器人任務,並以 XPolicyLab 將 40 多種策略統一在單一介面之後。
  • Inspect Robots: Inspect Robots 是採用 MIT 授權的實體 AI 評測工具:定義一次基準測試,即可讓任何 LLM 代理或 VLA 在真實手臂、人形機器人或模擬器上執行。
  • safe-control-gym: safe-control-gym 評測安全的以學習為基礎之控制與安全強化學習:具符號動力學、約束與擾動的倒單擺車與四旋翼任務。
  • Gymnasium-Robotics: Gymnasium-Robotics 是 Farama Foundation 的標準機器人強化學習評測套件,為 OpenAI Gym robotics 環境的後繼者。
  • SimplerEnv: SimplerEnv 是開源框架,可在模擬中評估真實世界的機器人操作策略,無需實體硬體即可進行大規模評估。
  • MetaWorld: MetaWorld 是開源的多任務與元強化學習評測基準,提供標準化的機器人操作任務與評估協定。
  • CALVIN: CALVIN 是一個開源評測基準,用於訓練機器人代理執行長時程、以語言為條件的操作任務。榮獲 IEEE RA-L 2022 最佳論文獎。
  • RLBench: RLBench 是一套大規模基準測試,提供 100 多項任務供視覺引導機器人操作研究使用,支援 RL、模仿學習與多任務學習。
  • LIBERO: LIBERO 終身機器人學習評測基準,在 MuJoCo 上提供 130 項程序化生成的任務,涵蓋操作、空間、物體與目標等領域。

本網站需要 JavaScript 才能正常運作。請啟用 JavaScript 以瀏覽我們的開源機器人專案。