机器人气球台挑战回顾：面向实际机器人实施的稳健、可靠与安全学习技术基准测试

机器学习方法在众多应用领域产生了突破性影响，但在实际机器人平台上的应用仍有限。尽管将机器学习技术与机器人结合面临诸多挑战，但机器人学习仍是提升机器人能力的最具前景的方向之一。在部署基于学习的方法于实际机器人时，需要额外努力来应对各种现实因素所带来的挑战。为调查影响实际部署的关键因素，并鼓励来自不同研究者的原创解决方案，我们在 2023 年 NeurIPS 大会上组织了机器人气球台挑战。我们选取气球台任务作为基准，该任务涵盖了低层次的机器人问题和高层次的战术问题。与其他以机器学习为中心的基准测试不同，参赛者需要应对机器人实践中的实际挑战，如仿真到现实的差距、低层次控制问题、安全问题、实时性要求以及现实世界数据稀缺的限制。此外，我们关注动态环境，摒弃了其他现实基准测试通常假设的准静态运动。比赛结果表明，在实际部署条件艰苦时，结合基于学习的方法与先验知识的解决方案优于完全依赖数据的方法。我们的消融研究揭示了构建基于学习的解决方案时可能被忽视的现实因素。最佳智能体在现实世界气球台部署的成功，为未来的比赛及后续研究方向奠定了基础。