LIBERO-MAX 发布：22.4 万次仿真测试机器人在任务中途应对环境变化
现有机器人评测大多只在任务开始前改变环境，这篇工作把变化挪到执行中途，结果所有受测策略成功率都下降 11.0–25.7 个百分点。
机器人伸手去拿杯子时，杯子被旁边的人挪开了几厘米——它之前看到的位置和已生成的动作都指向旧位置。斯坦福、CMU、MIT 等机构研究者提出 LIBERO-MAX，用 8000 组配对案例、8 类执行中途变化，累计 22.4 万次仿真，检验 14 种机器人策略在环境突变下的表现。
正文摘录
.jpg)  设想这样一个场景：你让机器人把桌上的杯子收进托盘。它已经看到了杯子，机械臂正朝杯子伸过去。这时，旁边的人顺手把杯子挪开了几厘米。 对人来说，接着调整一下手的位置就好。对机器人来说，事情可能复杂得多：它之前看到的是旧位置，已经生成的动作也指向旧位置。如果继续执行，手就可能伸向一块空桌面。它能及时看到变化、调整动作，最后把杯子收好吗？ 这个小插曲，指向了机器人走进真实生活时必须面对的问题： 环境会在机器人行动过程中改变，而任务还需要继续完成。 机器人如何接受一场「考试」？ 近年来，机器人开始使用视觉语言动作模型（VLA）：输入摄像头画面和「把杯子放进托盘」这样的指令，模型便生成控制机械臂的动作。一些模型还引入世界预测机制，尝试利用对后续场景的预测帮助行动。 判断这些模型做得好不好，需要一套共同的考试题。机器人评测基准提供标准化任务和仿真环境，让不同模型在相同条件下接受测试，再比较谁能完成更多任务。 已有很多鲁棒性评测会在任务开始前改变条件，例如换一个杯子位置、调整光照或改变视角。机器人从第一眼起，看到的就是调整后的场景。