arXiv cs.AI· Xiangyu Xu, Bangshuai Peng, Ziyi Liu, Mengjie Zhao, Chenhao Lu, Zhengyang Fan, Huazhe Xu, Kaizhe Hu·· 13 小时前AI 评分34
BURGER：用具身绘画基准评测并理解机器人泛化能力
BURGER: Benchmarking and Understanding Robotic Generalization via Embodied Drawing
AI 导读
BURGER 是一个语言条件机器人绘画基准，提供可扩展的提示词驱动流水线，在仿真和真实世界中生成连续绘画轨迹。研究用 282 个绘画任务、28,200 条仿真演示评测了五种代表性 VLA 模型，覆盖数据规模、语言 grounding 与多模态行为，揭示各模型不同的失败模式。
正文 · AI 翻译
摘要：随着训练数据规模的增长，视觉-语言-动作（VLA）模型能多有效地学习多样化的语言条件行为？研究这一问题需要大量且多样的机器人数据集，而在物理机器人上采集这些数据仍然成本高昂。我们提出 BURGER，一个语言条件机器人绘画基准，配有可扩展的、提示驱动的流水线，用于在仿真和真实世界中生成连续的绘画轨迹。在 BURGER 中，智能体从同一张空白画布开始，控制机械臂绘制由语言指定的物体或空间构图，而每条指令都允许开放式多样的有效绘画和笔画顺序。利用涵盖 282 个绘画任务的 28,200 条仿真演示，我们在数据规模、语言接地和多模态行为方面评估了五个代表性 VLA 模型。BURGER 支持对语言接地、空间构图和动作生成的细粒度分析，揭示了不同 VLA 模型之间各异的失败模式。我们的实验表明，一些 VLA 模型能够受益于更大的任务多样性和演示规模，捕捉多模态绘画行为，并泛化到熟悉物体的未见构图。最后，我们在 Franka Panda 机械臂上部署了训练好的策略，展示了在人类干预下进行反应式绘画的能力。项目主页和代码见 此 https URL。
| 注释： | 预印本版本 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.40532 [cs.RO] |
| （或 arXiv:2610.40532v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.40532 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Kaizhe Hu [查看电子邮件]
[v1]
2026年10月29日星期四 17:34:04 UTC（21,861 KB）
来源：arXiv cs.AI · arxiv.org