Hugging Face发布ACG-Bench：革新双臂机器人协作技能组合泛化能力评估

摘要：Hugging Face推出了一种名为ACG-Bench的新基准测试，用于评估双臂机器人协作中的技能组合泛化能力。该基准测试包含23个任务条件对，涵盖8个任务家族，并设计了6种领域内条件和17种未见过的组合条件，以测试重新排序、同步、组合以及跨任务组合等复杂场景。通过使用π_{0.5}作为视觉-语言-动作（VLA）模型的基础，ACG-Bench比较了多种数据增强和架构策略，结果表明，AE-VLA架构在模拟环境中实现了21.53%的泛化成功率，显著优于其他方法。在物理SO101机器人实验中，AE-VLA在五个未见条件下的平均成功率达到了39.00%，远超最强基线方法的10.00%。这一成果为设计超越固定训练模式的双臂机器人策略提供了重要的实证指导。

---

概述

Hugging Face的研究团队发布了一种名为ACG-Bench的新基准测试，用于评估双臂机器人协作中的技能组合泛化能力。这一基准测试旨在解决现有评估方法在理解不同协调需求下训练和架构选择对泛化能力支持方面的不足。

技术亮点

• 基准测试设计：ACG-Bench包含23个任务条件对，涵盖8个任务家族，包括重新排序、同步、组合以及跨任务组合等复杂场景。
• 评估方法：所有方法接收相同的每臂原子提示，成功需要满足任务目标，同时满足物理里程碑和指定的顺序或时间约束。
• 架构比较：使用π_{0.5}作为视觉-语言-动作（VLA）模型的基础，比较了多种数据增强和架构策略，包括arm-token分组、skillLoRA适配器和arm-wise注意力（AWA）。
• 实验结果：在模拟环境中，AE-VLA架构实现了21.53%的泛化成功率，而Single π_{0.5}、MA-VLA和两个独立控制的π_{0.5}策略的成功率分别为2.94%、3.06%和5.53%。在物理SO101机器人实验中，AE-VLA在五个未见条件下的平均成功率达到了39.00%，而最强基线方法的成功率为10.00%。

行业影响

ACG-Bench为双臂机器人协作中的技能组合泛化能力提供了新的评估标准，并为设计超越固定训练模式的双臂机器人策略提供了重要的实证指导。这一成果不仅推动了机器人协作技术的发展，还为多智能体系统中的任务协调和技能组合提供了新的思路。

开发者建议

• 利用ACG-Bench进行评估：开发者可以利用ACG-Bench来评估和比较不同双臂机器人协作策略的泛化能力。
• 探索AE-VLA架构：建议开发者深入研究AE-VLA架构的优势，并尝试将其应用于其他多智能体任务中。
• 关注数据增强和架构策略：ACG-Bench的比较结果强调了数据增强和架构策略在提升泛化能力方面的重要性，开发者应关注这些方面的创新。

---

消息来源：Hugging Face Daily Papers (2026-10-05)

—— 完 ——

主题标签： #Hugging Face 关注 #机器人协作 关注 #多智能体系统 关注 #ACG-Bench 关注 #技能组合 关注