PolaRiS：面向通用机器人策略的实到仿可扩展评估
机器人学
2026-01-01 v2 机器学习
摘要
机器人学习研究的一个重大挑战在于准确衡量和比较机器人策略的性能。机器人领域的基准测试历来具有挑战性，因为现实世界 rollouts 具有随机性、不可重复性以及耗时等特点。这种挑战对于近期的通用策略尤为突出，这些策略需要在广泛的场景和任务中进行评估。仿真评估提供了可扩展的补充手段，但现有仿真基准测试与现实世界之间的视觉和物理域差距，使其对策略改进的信号不可靠。此外，构建真实且多样化的仿真环境传统上需要大量的人力劳动和专业知识。为弥合这一差距，我们引入策略评估与仿真环境重建（PolaRiS），这是一个用于高保真仿真机器人评估的可扩展实到仿框架。PolaRiS利用神经重建方法将现实世界的短视频扫描转化为交互式仿真环境。此外，我们发展了一种简单的仿真数据共训练配方，以弥合剩余的实到仿差距，并实现在未见的仿真环境中的零样本评估。通过大规模的仿真与现实世界的配对评估，我们展示PolaRiS的评估结果与现实世界通用机器人策略性能之间的关联性远强于现有的仿真基准测试。其简单性也使得快速创建多样化的仿真环境成为可能。因此，这项工作为下一代机器人基础模型的分布式和民主化评估迈出了一步。
引用
@article{arxiv.2512.16881,
title = {PolaRiS: Scalable Real-to-Sim Evaluations for Generalist Robot Policies},
author = {Arhan Jain and Mingtong Zhang and Kanav Arora and William Chen and Marcel Torne and Muhammad Zubair Irshad and Sergey Zakharov and Yue Wang and Sergey Levine and Chelsea Finn and Wei-Chiu Ma and Dhruv Shah and Abhishek Gupta and Karl Pertsch},
journal= {arXiv preprint arXiv:2512.16881},
year = {2026}
}
备注
Website: https://polaris-evals.github.io/