BiGym 2.0：ヒューマノイド家庭内操作のための学習済み・エージェント開発ポリシーのベンチマーク

- BiGym 2.0は、Unitree G1ヒューマノイド向けにBiGymを適応したベンチマーク。 - 20のhouseholdタスクを、統一whole-body controllerで実演・評価する。 - 各タスク60件のnative human virtual-reality demonstrationsを提供。 - 同期multi-camera viewsとfull-body execution recordsを含む。 - vision-language-action fine-tuning、imitation learning、demo-driven reinforcement learning、cold-start coding agentsを比較する。

- 従来のBiGymをUnitree G1に拡張し、20 household tasksを統一whole-body controllerで扱う。 - 全手法に同じonboard views、proprioception、whole-body controllerを提供。 - 60 native human VR demonstrations per taskと同期multi-camera views、full-body execution recordsを備える。 - vision-language-action fine-tuning、imitation learning、demo-driven reinforcement learning、cold-start coding agentsを同一条件で比較。

- Unitree G1向けにBiGymを適応し、20 household tasksを設定。 - 実演と評価にunified whole-body controllerを使用。 - 各タスク60件のnative human virtual-reality demonstrationsを収集。 - 同期multi-camera viewsとfull-body execution recordsを提供。 - vision-language-action fine-tuning、imitation learning、demo-driven reinforcement learning、cold-start coding agentsをベンチマーク。

- 20 household tasksで各手法を評価。 - 同一のonboard views、proprioception、whole-body controllerを全手法に適用。 - vision-language-action fine-tuningがnine-task meanで最高。 - agent-developed programsがdemo-driven reinforcement learning baselineを上回り、bimanual reachingでリード。 - cross-workspace stackingは未解決、π_{0.5}はpick-boxで低い、multi-object transportはimitation learning、demo-driven reinforcement learning、coding agentsで困難。

- cross-workspace stackingは依然としてopen problem。 - π_{0.5}はpick-boxで低い性能にとどまる。 - multi-object transportはimitation learning、demo-driven reinforcement learning、coding agentsにとって難しい。 - これらの困難さが議論の焦点。 - 要旨からはその他の議論は不明。

- BiGym（元のベンチマーク）。 - vision-language-action fine-tuning。 - imitation learning。 - demo-driven reinforcement learning。 - cold-start coding agents。 - π_{0.5}。