λ: 用于长期 horizons 室内移动操作机器人的数据效率基准

学习执行长期 horizons 的移动操作任务对于推动机器人在家庭和工作场所环境中的应用至关重要。然而,当前方法通常数据效率低下,凸显了需要改进需真实尺寸基准来评估其效率的需求。为此,我们引入了 LAMBDA (λ) 基准——Long-horizon Actions for Mobile-manipulation Benchmarking of Directed Activities——评估模型在语言条件下、长期 horizons、多房间、多楼层、抓取-放置任务中的数据效率,该基准使用可行收集的数据集大小。我们的基准包括 571 个人工收集的演示,提供了在模拟和真实环境中的真实感和多样性。与规划器生成的数据不同,这些轨迹提供了自然变异性和可验证性,确保稳健的学习与评估。我们利用 λ 对当前端到端学习方法以及一种模块化神经符号方法进行基准测试,后者结合了基础模型与任务和运动规划。我们发现,即使经过预训练,学习方法仍得不到较高的成功率,而神经符号方法性能显著更好且所需数据更少。