本研究介绍了 IKEA 家具组装环境，旨在测试自动化复杂操作任务的效率。此环境支持 80 多种不同的家具模型，并公开提供，可用于解决复杂操纵任务的方法测试。

Nov, 2019

本文介绍了一种基于学习的方法，使用模拟环境实现家具组装规划，无需连接标签，仅依靠原始点云图像来训练神经网络以成功组装不同类型的家具。

Sep, 2022

RLBench 是一个机器人学习的挑战性基准和学习环境，旨在加速包括强化学习、模仿学习、几何计算机视觉和少样本学习在内的一些视觉导向操作研究领域的进展。

Sep, 2019

为了评估机器人在现实世界中的操作能力，我们提出了一个新的可重复使用的基准测试，着重于抓取和放置。我们使用机器人学界常用的 YCB 对象数据集来确保结果可与其他研究进行比较。此外，该基准测试旨在易于在实际环境中进行重现，使其可供研究人员和实践者使用。我们在基准测试中提供了基于模型和无模型 6D 机器人抓握的实验结果和分析，评估了代表性算法的物体感知、抓握规划和运动规划。我们相信，这个基准测试将是推进机器人操作领域的宝贵工具。通过提供标准化的评估框架，研究人员可以更容易地比较不同的技术和算法，从而更快地发展机器人操作方法。

Jun, 2023

为了加快人形机器人算法研究的进展，我们提出了一个基于高维度的模拟机器人学习基准，名为 HumanoidBench，该基准以配备熟练双手和各种具有挑战性的全身操作和运动任务的人形机器人为特色。我们的研究发现，当配备稳健的低级策略（如行走或伸手）时，最先进的强化学习算法在大多数任务中表现不佳，而分层学习基准则实现了优越的性能。通过 HumanoidBench，我们为机器人学界提供了一个平台，用于解决人形机器人在解决各种任务时所面临的挑战，促进算法和思想的快速验证。开源代码可在此网址获得：https://url

Mar, 2024

通过在多个商业机器人上实施我们引入的多个强化学习任务，通过对其四种增强学习算法的学习性能进行测试并分析其对超参数的灵敏度，揭示出这些算法的实际应用性。我们发现现代学习算法对超参数非常敏感，为了获得最佳性能需要为每个任务重新调整参数。

Sep, 2018

这篇论文介绍了一种离线强化学习方法，使用触觉反馈在控制循环中，来解决机器人家具装配问题。通过学习高层规划的技能转换模型和一组自适应的技能达成目标策略，这种设计旨在以更通用的方式解决这个长期任务，实现技能的无缝连接。评估结果表明，这种方法在标准家具组装中的熟练程度、对未见过家具构型的适应性以及对视觉干扰的稳健性方面均表现出众。

Apr, 2024

本文介绍了 RMBench，这是一个用于机器人操作的基准测试，使用深度学习和强化学习算法，通过使用目标性能指标来比较算法的性能表现，研究发现，软 Actor-Critic 的表现最好，且数据增强技术有助于学习策略。

Oct, 2022

本文使用层次化强化学习 (HRL) 将家具布局任务作为马尔科夫决策过程 (MDP) 完成，以实现在室内场景的虚拟现实中产生适当的二家具布局，最终结果表明该模型可以产生比现有模型更高质量的布局。

Oct, 2022

本研究基于体验工具人和大型语言模型的融合，在长时序任务中通过引入颜色、尺寸、空间、算术和参考等多个方面的推理来进行桌面操作，提出了一个模拟基准测试过程，同时探索通过标题生成和可学习接口来弥合模态差距，以改进当前流行模型在长时序桌面操作任务中的表现。

Oct, 2023