GaugeBench：同一机器人换描述即可击穿形态策略泛化

机器人描述不仅仅指定物理机制：它还对任意约定进行编码，例如关节轴方向、关节角度零以及连杆和关节的顺序和名称。形态感知 策略 使用根据这些描述构建的接口，但跨实施例评估通常会改变机器人，同时保持这些约定固定。这就留下了一个没有答案的简单问题：当机器人保持固定但其描述发生变化时，行为是否仍然存在？ GaugeBench 通过在物理等效约定下重写固定机制来隔离这种情况，验证其物理和 策略 接口是否保留，然后评估相同的 策略 权重。结果很明显：三个 MetaMorph 策略 在 80 个熟悉的机器人上得分为 4030.6，但当这些相同的机器人被同等地重新描述时，得分仅为 51.6，而 98 个真正的 留出 机器人得分为 1489.6。因此，新的描述可能比新的机器人更具破坏性。追踪故障表明，仅轴反转就会重现崩溃，关节角度零变化几乎无害，而重新排序介于两者之间；此外，仅改变关节状态和扭矩坐标就足以导致故障，而仅改变描述导出的特征则不然。同样的现象也出现在 ModuMorph 和一个不相关的 PyBullet 框架中。但这并不是不可逆转的：精确的两种描述传输恢复了原始控制器，并且跨等效轴约定的 训练 将轴反转下的保留回报从 3.6% 提高到 80.6%。总之，这些结果将机制稳健性与表示稳健性分开，并表明跨实施例评估应该测试两者。