简单：基于仿真的人形机器人操作策略学习和评估

人形基础模型的发展速度超出了我们的评估速度。虽然现实世界的测试成本高昂且难以重现，但现有的模拟基准主要集中在桌面或轮式机器人上。全身人形机器人控制的可扩展且可重复的基准仍然是一个悬而未决的问题。为此，我们推出了 SIMPLE，一个用于人形策略学习和评估的统一模拟测试平台。 SIMPLE 将 MuJoCo 精确的接触丰富的动力学与 IsaacSim 的逼真渲染相结合。它提供了一个大规模环境，包括 60 个不同的全身任务、50 个室内场景和 1,000 多个对象资产。为了促进可扩展的数据收集，该框架集成了两个数据生成管道：通过运动规划自动生成轨迹和低延迟 VR 远程操作界面。我们进一步在 SIMPLE 中大规模集成和基准化主流人形策略，包括轻量级模仿网络、大型视觉语言动作（VLA）模型和最近的世界动作模型（WAM）。我们的实验揭示了模拟中的政策表现与现实世界之间存在很强的相关性。此外，我们证明，根据 SIMPLE 中收集的数据训练的策略可以在类似的设置下零样本地转移到物理人形机器人，为人形机器人研究提供强大且可重复的基础。