日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ベンチマーク/モバイル操作arXiv:2606.18239

EBench: 汎用モバイル操作ポリシーの要素診断

EBench: Elemental Diagnosis of Generalist Mobile Manipulation Policies

シェア:XThreadsFacebookLINEはてブBluesky

単一の成功率スコアを超えて、汎用モバイル操作ポリシーの能力と汎化を多次元で診断するシミュレーションベンチマークを提案し、最新モデルの特性を明らかにした。

詳しい要約

1. どんなもの?

- モバイルマニピュレーションの汎用ポリシーを単一の成功率ではなく要素別に診断するシミュレーションベンチマーク - 26の多様で難易度の高いmanipulationタスクを含む - 5つのcapability次元と4つのgeneralization次元でアノテーション - 最先端のgeneralist manipulationモデル(π0, π0.5, XVLA, InternVLA-A1)を評価 - 成功率が近いモデルでも能力プロファイルが大きく異なることを明らかにする

2. 先行研究と比べてどこがすごい?

- 従来のベンチマークは単一のsuccess-rateスカラーで評価することが多い - EBenchはcapabilityとgeneralizationの多次元診断を提供 - 同じ成功率でもモデル間の能力差を可視化できる点が新しい - 例:π0.5は最高テスト成功率とtrain-test retention、InternVLA-A1はmobile manipulationで優位だがdexterousタスクで崩壊、XVLAは他と異なるatomic skillsで強み - 分布シフト要因の影響も分析可能

3. 技術・手法の肝は?

- シミュレーションベースのベンチマーク - 26タスクを5 capability次元と4 generalization次元でアノテーション - 最先端generalist manipulationモデルを評価 - 成功率だけでなく、capabilityプロファイルとgeneralization能力を4つの代表的観点から分析 - 分布シフト要因の影響を特定 - 具体的なタスク内容やシミュレータ名は要旨からは不明

4. どうやって有効だと検証した?

- π0, π0.5, XVLA, InternVLA-A1をEBenchで評価 - π0.5が最高テスト成功率と最高train-test retentionを達成 - InternVLA-A1がmobile manipulationで支配的だがdexterousタスクで崩壊 - XVLAが他のポリシーと異なるatomic skillsで強みを示す - 4つのgeneralization観点から分布シフト要因の影響を分析 - 単一スコアの背後にある強みと弱みを明らかにした

5. 議論はある?

- 成功率が近いモデルでも能力プロファイルが著しく異なることを示唆 - 単一の成功率ではモデルの真の能力を捉えきれない可能性 - 分布シフト要因がgeneralizationに与える影響を特定 - ベンチマークがgeneralist manipulationモデルの反復改善のための診断信号を提供することを期待 - 具体的な限界や議論の詳細は要旨からは不明

6. 次に読むべき論文は?

- π0 (Physical Intelligence) - π0.5 - XVLA - InternVLA-A1 - その他のgeneralist manipulationモデル(RT-2, OpenVLAなど) - 関連するmobile manipulationベンチマーク(例:BEHAVIOR, RLBenchなど)

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Ning Gao, Jinliang Zheng, Xing Gao, Haoxiang Ma, Hanqing Wang, Yukai Wang, Jiantong Chen, Zanxin Chen, Shujie Zhang, Mingda Jia, Xuekun Jiang, Zihou Zhu, Xinyu Li, Shuai Wang, Hao Li, Wenzhe Cai, Yuqiang Yang, Xudong Xu, Zhaoyang Lyu, Yao Mu, Tai Wang, Jiangmiao Pang, Jia Zeng, Weinan Zhang, Chunhua Shen

分類: cs.RO

原文アブストラクト

We present EBench, a simulation benchmark that diagnoses generalist mobile manipulation policies beyond a single success-rate scalar. EBench comprises 26 diverse and challenging manipulation tasks annotated along 5 capability dimensions and 4 generalization dimensions. We evaluate state-of-the-art generalist manipulation models including $\pi_0$, $\pi_{0.5}$, XVLA, and InternVLA-A1, and reveal that models with near success rates exhibit strikingly different capability profiles: $\pi_{0.5}$ achieves the highest test success rate and the best train--test retention, whereas InternVLA-A1 dominates mobile manipulation but collapses on dexterous tasks, and XVLA exhibits strengths on a disjoint set of atomic skills compared to other policies. Beyond capability profiling, EBench analyzes the generalization ability from 4 representative perspectives, identifying the impact of different distribution shift factors. The results reveal strengths and weaknesses of models behind an overall score. We hope this benchmark offers a broad set of diagnostic signals to guide iteration on generalist manipulation models.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI