ActiveArena：机器人操作中主动感知的基准测试和理解

主动感知和操纵对于机器人与复杂场景的交互至关重要。现有的基准测试很难评估机器人如何以主动的方式有效地获取和维护内存中的信息。为此，我们推出了 ActiveArena-Sim，这是一种以可控视点和大规模工作空间为基础的主动感知模拟器。在此基础上，我们提出了 ActiveArena-Bench，它包含 5 个细粒度类别的 35 个任务，涵盖视觉探索和交互式信息获取。每项任务都很难仅靠被动观察来解决，需要多轮证据获取和基于记忆的推理。该基准测试提供了丰富的内存注释、标准化训练数据和 ID/OOD 协议，具有不相交的场景、看不见的干扰配置和新颖的背景。此外，我们还推出了 ActiveArena-VLA，这是一个由 13 种视觉-语言-动作配置组成的模块化套件，用于记忆写入、记忆容量、本体感觉状态、子任务监督和主动感知中的高级规划的受控研究。基准测试结果揭示了巨大的 ID-OOD 差距：统一内存采样、可靠写入策略下增加的内存容量、本体感受输入和子任务监督改善了 OOD 泛化，而规划器引导的内存管理和决策仅使用稀疏内存即可实现接近最佳性能配置的性能。因此，ActiveArena 提供了一个统一的测试平台来开发和诊断主动感知和操作的模型。