EmbodiedSmith：仿真递归自改进扩展具身数据

扩展机器人基础模型需要多样化的训练数据和可靠的评估环境。模拟提供了可扩展的解决方案，但现有的生成管道仍然受到预定义资产和技能、场景生成和任务生成之间的脱节以及对复杂实施例和物理的有限支持的限制。我们引入了 EmbodiedSmith，这是一个通过递归自我改进 (RSI) 生成可扩展的体现数据的框架。 EmbodiedSmith 将资产、场景和任务生成统一在支持自主创建和语言驱动定制的管道中。其核心是一个Agentic细化循环：场景生成预测下游任务需求，而任务生成指导有针对性的场景编辑，允许场景和任务迭代地相互改进。这种联合细化提高了任务生成的成功率，包括长期任务。该框架进一步支持移动操纵器、类人机器人和灵巧的手，以及涉及可变形物体和流体的交互，扩大了生成数据中表示的行为和物理现象的范围。这些功能共同为机器人预训练和评估提供了灵活的仿真引擎。大量实验验证了所得数据的质量、多样性和生成效率，而下游策略实验表明，增加的数据多样性可以提高泛化能力。