HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation

人形机器人因其类似人类的形态，具有灵活性和适应性，在各种环境和任务中都具有巨大的潜力来辅助人类。然而，人形机器人的研究常常受到昂贵且易碎的硬件设置的制约。为了加速人形机器人算法研究，我们提出了一个高维度的模拟机器人学习基准——HumanoidBench，其中包含一个配备有灵巧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。我们的研究发现，最先进的强化学习算法在大多数任务中都表现不佳，而分层学习基线在得到坚实的低级策略支持（如步行或伸手）时表现更优秀。通过HumanoidBench，我们为机器人学界提供了一个平台，以识别解决人形机器人多样化任务时出现的挑战，促进算法和思想的快速验证。开源代码可在https://sferrazza.cc/humanoidbench_site获得。

论文试图通过提出一个高维度的模拟机器人学习基准测试平台HumanoidBench，来加速算法研究中的人形机器人领域，以解决人形机器人硬件昂贵且脆弱的问题。同时，论文还旨在探索人形机器人在各种任务中的挑战和问题。

论文提出了一种基于分层学习的方法，通过支持强大的低层策略（如行走或伸手）来实现优越的性能，以解决当前强化学习算法在大多数任务中的困难。

论文提供了一个高维度、模拟的机器人学习基准测试平台HumanoidBench，包括人形机器人的整体操作和运动任务。实验结果表明，当前强化学习算法在大多数任务中表现不佳，而分层学习方法在低层策略的支持下实现了更好的性能。论文的代码是开源的。

最近的相关研究包括使用模拟机器人的研究，如MuJoCo和PyBullet。此外，还有一些研究探索人形机器人的运动控制和路径规划，如“Humanoid robot locomotion control using path planning and obstacle avoidance”和“Real-time motion planning for humanoid robots using a combination of RRT and optimization-based planning”。