HARP-Bench:37 任务测机器人与人类协作，主流策略成功率仅 9-19%
gan_chuang · x · 2026-11-10
CoRL 2026 上发布的 HARP-Bench 是一个面向「人类在场操作」(human-present manipulation) 的机器人安全基准与数据生成框架，指出多数机器人仿真数据集只关注桌面操作，忽略了机器人与动态环境中真实人类的协作。
基准定义了四种人类参与方式：
- 共处(Co-presence):机器人与人在同一空间工作(如人擦桌子机器人收纳)
- 分担(Contribution):人机各完成一部分任务
- 中断(Interruption):人检查物品时机器人等待后继续
- 提示(Cueing):人类行为暗示任务目标(如人喝水后机器人倒水)
在 37 个任务上评测，全状态专家(能读取人类意图)平均成功率达 99.1%,但现有学习策略全面拉胯：ACT 仅 10.4%、π0 为 9.4%、SmolVLA 仅 5.7%。表现最好的学习策略在「人类提示」类任务上也只有 18.8%,说明当前 VLA 策略远不能读懂和配合人类意图。项目提供代码、资产包和交互演示。
「具身」频道最新
- DIY 机械臂差分腕部设计第五天：锥齿轮与传动结构渲染曝光 — _Stocko_ · 2026-11-10
- SuperMimic 效率来源：pathwise 梯度信噪比高 30 倍 — daibond_alpha · 2026-11-10
- 一个冻结控制器玩转人形机器人：频谱技能实现动作组合与语言控制 — daibond_alpha · 2026-11-10
- SuperMimic 单 GPU 3 小时训练超 128 GPU 7 天 SoTA — daibond_alpha · 2026-11-10
- 约翰霍普金斯实验室招聘具身智能博士后,12 月 11 日截止 — mangahomanga · 2026-11-10
- Karmedge 预测:OpenAI、DeepMind 或 Nvidia 将在 2027 年底前解决机器人智能 — alexmacgregor__ · 2026-11-10