九游体育app(中国)官方网站

这项由孤独筹商员伊利亚·拉尔琴科、格列布·扎林和阿卡什·卡纳塔克构成的团队完成的冲破性筹商，在2025年12月9日发表的论文中淡雅先容了他们如安在BEHAVIOR挑战赛中夺得冠军。该论文题为《Vision-Language-Action模子的任务妥贴：2025年BEHAVIOR挑战赛第别称处置决议》，成心思深远了解的读者不错通过arXiv:2512.06951v1查询完整论文。

想象一下，如果有一个机器东说念主助手大约像东说念主类不异在家中稳重地完成各式家务行径，检朴单的开收音机到复杂的烹调热狗，那会是怎样的体验？这恰是BEHAVIOR挑战赛想要齐备的办法。这个比赛要求AI系统在传神的编造家庭环境中完成50种不同的家务任务，每个任务都需要机器东说念主具备访佛东说念主类的生动性和智能。

筹商团队濒临的挑战就像是要培养一个齐全的家庭助手。这个助手不仅要能看懂环境，理衔命务，还要能用两只手联结完成复杂动作，以致在房间里稳重迁徙。更难的是，它需要在一个战略模子下处理悉数50种不同的任务，就像一个的确的万能助手。

团队基于Pi0.5架构开发了他们的处置决议，这就像是在一个照旧很理智的助手基础上进行升级改造。他们的翻新包括引入了关联噪声流匹配工夫，这种步履能让机器东说念主的动作序列愈加盛开天然。同期，他们还开发了可学习的夹杂层提神机制和System 2阶段追踪系统来处置朦胧情状的问题。

最终，他们的步履在悉数50个任务上达到了26%的q分数，在公开和私东说念主名次榜上都获取了第别称。这个得益看似不高，但接头到任务的复杂性和万般性，这照旧是一个remarkable的冲破。就像一个刚学会作念家务的孩子，天然还不行每次都齐全完成，但照旧展现出了惊东说念主的学习才智和妥贴性。

一、家务机器东说念主濒临的重重挑战

BEHAVIOR挑战赛不错说是咫尺最具挑战性的家庭机器东说念主测试。这个比赛要求机器东说念主在传神的编造环境中完成50种不同的家务行径，就像要求一个东说念主在目生的屋子里完成检朴单到复杂的各式任务。

悉数这个词挑战的中枢在于长久任求实践才智。每个任务平均需要6.6分钟才能完成，最长的任务以致需要14分钟。这就像要求机器东说念主保持专注力完成一系列连贯的动作，中间不行出错。任何一个小乖张都可能导致悉数这个词任务链的崩溃，就像多米诺骨牌效应不异。

机器东说念主还必须具备双手联结才智。它配备了两个七目田度的机械臂，每个都有平行夹爪。这种联想让它大约像东说念主类不异用双手配合完成复杂操作，比如一只手扶住物体，另一只手进行缜密操作。

迁徙导航亦然一大挑战。机器东说念主需要在错落的室内环境中稳重迁徙，逃避窒碍物，找到办法位置。同期，它还要处理来自头部和两个手腕录像头的多视角图像信息，就像东说念主类通过眼睛和触觉同期感知环境不异。

最具挑战性的是任务万般性要求。50种不同的行径涵盖了家庭糊口的方方面面，从整理物品到烹调食品，每种任务都有其独到的要乞降操作序列。机器东说念主必须用并吞个策略模子或少数几个查验点来处理悉数这些任务，这就像要求一个东说念主成为万能的家务行家。

评估环境使用OmniGibson仿真平台，基于NVIDIA Isaac Sim构建，提供了高度的确的物理后果和渲染后果。每个任务都会在10个不同的场景中进行测试，运转条目立时化，确保机器东说念主的泛化才智。性能通过q分数来斟酌，这个策划聚积特动手率和子任务完成的部分分数。

二、机器东说念主学习的中枢难题

长久家务操作濒临着几个根人道挑战，每一个都像是机器东说念主学习路上的要紧窒碍。

当先是症结积贮问题。当任务需要数千个时候步才能完成时，即使是很小的预测症结也会像雪球不异越滚越大。就像走路时稍许偏离地点，时候长了就会完全迷失。这要求机器东说念主要么具备极其精准的预测才智，要么领有坚硬的舛错复原机制。

非马尔可夫情状是另一个庞杂挑战。好多任务情状在视觉上看起来简直调换，但履行含义完全不同。举个例子，机器东说念主在职务动手时拿着收音机和在职务末端时拿着收音机，从录像头看到的画面可能一模不异，但需要实践的动作却迥然相异。莫得对往时动作的驰念或明确的阶段追踪，策略无法辞别这些情状，可能会实践舛错的动作。

衰退复原示范数据亦然一个严重问题。训练数据完全由得手的演示构成，就像学习贵府只包含圭臬谜底，莫得舛错案例的处理步履。当机器东说念主偏离演示轨迹时（这在症结积贮的情况下不可幸免），它会际遇训练时间从未见过的情状。在这种漫步外的情况下，策略必须大约自行泛化并找到复原步履。

多模态动作漫步使问题变得愈加复杂。好多情状允好多种有用的动作序列，比如使用哪只手、先抓哪个物体等。并吞任务的不同演示在训练数据中以不同速率完成，这增多了学习的难度。机器东说念主需要在这些万般的处置决议中找到最适当现时情况的旅途。

三、翻新处置决议的中枢念念路

筹商团队基于Pi0.5架构开发了他们的处置决议，Pi0.5是一个使用流匹配来预测动作序列的视觉-话语-动作模子。他们的修改决议通过一系列翻新组件来处置前述挑战。

在建模动作结构方面，团队发现机器东说念主动作阐扬出激烈的关联性，包括时候关联性（平滑轨迹）和跨维度关联性（联结环节想法）。他们明确地对这种结构进行建模，使用从N(0, βΣ + (1-β)I)采样的关联噪声进行训练，其中Σ是教导动作协方差，β=0.5。这种步履使训练愈加高效，并在推理时间齐备了旨趣性的修补。

为了提供非马尔可夫高下文，团队引入了System 2阶段追踪系统。模子预测现时任务阶段，投票机制过滤嘈杂的预测以保持踏实的阶段计算。这些阶段信息与任务镶嵌交融并反馈给模子，从而处置朦胧情状问题。

在聚积学习与启发式方面，纯学习步履在衰退复原数据的情况下阐扬欠安。团队通过从失败分析中得出的校正轨则来补充学习策略，这些爽朗的启发式大约检测并从常见失败时势中复原，比如不测的夹爪关闭。

团队还应用了可学习的夹杂层提神机制，允许每个动作行家层柔顺悉数VLM层的学习线性组合，而不是淘气决定动作行家层应该如何干注VLM层。

在训练方面，团队使用万般本流匹配工夫，每次VLM前向传播议论15个预测，以减少梯度方差，同期分担文雅的视觉-话语议论资本。

在推理时，团队应用动作压缩工夫，通过三次样条将26个预测动作压缩到20个实践圭表，齐备1.3倍的加快。

团队还通过移除文本处理并使用可训练的任务镶嵌来简化VLM部分，而不是文本辅导。工夫上这去除了"VLA"和"VLM"术语中的"L"，但为了爽朗起见，他们保留了这些称号。

四、任务镶嵌：从话语到专用编码

原始的Pi0.5使用话语镶嵌来指定任务，就像通过天然话语告诉机器东说念主要作念什么。筹商团队将这种面目替换为针对BEHAVIOR-1K结构化任务的特定任务镶嵌。

BEHAVIOR挑战赛的一个环节特色是泛化需求十分有限。独一50个任务同期出当今训练和评估数据中，这意味着策略不需要明确地泛化到天然话语姿色的新任务。机器东说念主只需要掌捏这固定的50种家务行径。

团队莫得处理天然话语辅导，而是使用可训练的任务镶嵌，为50个任务中的每一个使用一个2048维的镶嵌，从零动手训练。这种步履就像给每种家务行径分拨一个专用的"身份证"，机器东说念主不错径直识别和通晓。

这种简化关于BEHAVIOR-1K是合理的，原因包括几个方面。当先，独一50个不同的任务构成固定围聚，不需要处理无限可能的天然话语指示。其次，任务语义隐含在演示数据中，机器东说念主不错通过不雅察学习任务的本质。第三，这种步履移除了话语模子处理的支出，提高了议论效劳。临了，它允许模子径直学习任务特定的特征，而不需要通过话语通晓这个中间圭表。

五、System 2：阶段预测与交融系统

团队濒临的一个要紧挑战吵嘴马尔可夫情状的存在，这意味着现时任务情状不及以预测正确的下一个动作。机器东说念主可能在并吞任务的动手和末端看到简直调换的图像，但需要实践完全不同的动作。

为了处置这个问题，团队添加了一个爽朗的System 2系统。这个系统基于图像和任务镶嵌预测任务确现时阶段，应用投票逻辑来过滤不正确的预测，并在后续圭表中将其用作模子的特别输入。

在阶段预测方面，每个任务基于演示长度被分为5到15个阶段。系统使用VLM输出上的线性分类器来预测现时阶段。15是悉数任务中阶段数的最大值，无效阶段在softmax之前被屏蔽为负无尽。阶段预测在训练数据上达到了约99%的准确率，为动作预测提供了可靠的高下文。

在阶段-任务交融方面，团队使用多种学习示意（正弦-余弦编码、任务特定学习镶嵌和门控组合）将任务镶嵌与阶段信息交融。这为模子提供了5个任务关联的令牌。

六、可学习的夹杂层提神机制

在不同的VLA模子中，流匹配或扩散动作头与VLM部分的聚积面目各不调换，团队莫得看到明确的优厚者。因此，他们决定让模子我方决定柔顺哪些层以及如何干注。

在训练和推理时间，团队当先议论VLM部分悉数层的键值缓存，然后使用可学习的权重和偏差对其进行诊疗。关于每个动作行家层j，他们议论诊疗后的键和值手脚悉数VLM层的线性组合。

这种联想具有几个特色。模子不错柔顺任何VLM层，权重不错聘用早期、中期或后期层。它不错通过柔顺多个层的加权平均来变成平滑组合。它不错从数据中学习，无需手动架构搜索。

这种步履在参数效劳方面阐扬优异。关于18个动作行家层中的每一个，团队只需要学习18个标量悉数加上一个偏差张量，分别用于键和值。团队对键和值使用不同的悉数，因为莫得根由让它们调换。

运转化时，权重设为单元矩阵，偏差设为0，因此模子从Pi0.5的层到层提神动手。由于团队从预训练的Pi0.5权重动手，经过浩荡微调后，单元运转化照旧是一个很好的先验。不雅察到的学习偏差走漏，模子倾向于更多柔顺临了的VLM层，尽管这可能是噪声。团队预期这种步履对从新训练的模子或从非机器东说念主VLM运转化的模子会有更大的后果。

七、自界说提神力掩码的头绪结构

团队使用头绪化的提神力时势，将可靠的输入与嘈杂的输入隔断开来。这种联想就像拓荒了一个信息处理的品级轨制，确保最进击和最可靠的信息大约得到符合的处理。

图像令牌之间以及与任务令牌之间使用双向提神力。任务令牌与图像进行双向交互。阶段令牌柔顺图像、任务和实质情状。情状令牌柔顺图像、任务、阶段和其他情状令牌。FAST令牌柔顺悉数前缀令牌并互相因果柔顺。动作行家令牌在互相之间使用双向提神力，柔顺除FAST以外的悉数其他前缀令牌。

这种联想的基本旨趣很明晰。图像和任务镶嵌是最可靠的输入，径直源泉于不雅察，具有详情味。团队推辞它们柔顺更嘈杂的输入，如机器东说念主情状（在推理时间可能漂移）或预测阶段（可能不正确）。这保持了视觉特征的清洁。

在System 2中，独一图像和任务镶嵌用于预测现时阶段。为了幸免办法表示，它们不应该柔顺阶段令牌。FAST令牌自总结地预测动作，因此它们柔顺悉数前缀令牌并互相因果柔顺（仅在训练时间使用）。动作行家令牌同期预测悉数这个词块，因此它们在互相之间使用双向提神力，同期柔顺除FAST以外的悉数前缀令牌。

八、Delta动作空间与时候戳归一化

团队不是预测皆备环节位置，而是预测delta动作，也即是相干于现时情状的变化量。这种步履就像告诉机器东说念主"上前迁徙10厘米"而不是"迁徙到坐标(x,y,z)"，提供了更好的泛化性能。

具体来说，团队预测的delta动作是办法位置与现时位置的差值。这种示意步履提供了对运转建立的不变性，在不同肇始情状下具有更好的泛化才智，况兼更容易学习平滑轨迹。

团队还实施了按时候戳归一化的工夫。关于每个动作维度和块中的索引，他们议论该特定时候点的均值和圭臬差，然后进行归一化。

为什么要按时候戳归一化？动作漫步在轨迹内随时候变化。块中的运改革作十分接近现时情状（小delta），尔后期动作变化更大。按时候戳归一化使悉数这个词时候范围内的学习问题愈加均匀。需要提神的是，速率和夹爪位置被搁置在按时候戳归一化以外。

九、关联噪声：流匹配的结构化步履

团队的环节翻新之一是在流匹配训练和推理时间明确建模动作关联性。这种步履意志到机器东说念主动作并不是孤独的立局面件，而是具有内在结构和关联性的联结想法。

机器东说念主动作在两个方面阐扬出强关联性。时候关联性阐扬为相邻时候步的动作相似，变成平滑轨迹。跨维度关联性阐扬为环节速率的联结，举例躯干环节沿路迁徙。

圭臬流匹配使用孤独的高斯噪声，这创造了一个训练问题。早期去噪圭表（t≈1）很贫苦，但一朝进行几个去噪圭表，模子学会了关联结构，后期预测就变得爽朗。

团队的处置决议是生成照旧匹配动作结构的关联噪声。这使得悉数去噪圭表的难度愈加均衡。他们从训练集计算完整的关联矩阵，将圭臬化的动作序列展平为高维向量，然后议论样本协方差。

为了肃肃性，团队应用消弱正则化，使用纯协方差矩阵可能不踏实，因此他们应用消弱正则化，其中β∈[0,1]是消弱参数，团队使用β=0.5手脚均衡聘用。

要采样关联噪声，团队使用Cholesky理会，然青年景关联噪声。使用关联噪声，流匹配插值在t=1（纯噪声）时，x1=ε具有与的确动作调换的关联结构。模子即使在最嘈杂的圭表也能看到合理的动作时势。在t∈(0,1)时，插值在悉数这个词去噪进程中保持关联结构。这使得训练任务愈加均匀，并保持不同去噪圭表的难度愈加均衡。

十、万般本流匹配：减少训练方差

圭臬流匹配为每次不雅察议论一个动作预测，为每个批次元素立时采样(t, ε)。这在训练信号中引入了显耀的方差，就像每次闇练都使用不同的难度品级，学习后果不够踏实。

流匹配耗损有两个立时性源泉：时候采样和噪声采样。团队不错在多个流样本之间分担文雅的VLM前向传播，并减少斥逐梯度的立时性。

团队的算法包括三个圭表。当先进行VLM前向传播，为悉数前缀令牌议论KV缓存一次。然后进行万般本动作预测，对每个样本采样不同的(tn, εn)，议论嘈杂动作，运行动作行家。临了进行反向传播，梯度通过悉数N个样本流回。

这种步履在保持议论效劳的同期显耀减少了训练方差，就像用多个角度同期不雅察并吞个问题，得到更踏实可靠的学习信号。

十一、训练策略与多任务学习

团队采取两阶段训练策略。当先进行多任务训练，在悉数50个任务上同期训练。这个阶段在8×H200 GPU上进行了15天的不隔断训练。然后进行任务组特定微调，凭据考证斥逐将任务分为最好（最高得手率）、精深（分数>0）、较差（分数~0）组，分别训练。这个阶段每组爽朗需要1周。

团队的总耗损是三个组件的加权组合：动作耗损、阶段预测损构怨FAST辅助耗损。动作耗损是在N个样本上平均的流匹配耗损。阶段预测耗损是权重为0.1的阶段分类交叉熵耗损。FAST辅助耗损权重为0.05（从运转训练的0.1缩短）。

最终提交使用4个任务特定查验点，凭据任务ID自动切换。团队的总竞赛预算约为13000好意思元，个东说念主破耗约3000好意思元用于实验和评估，Nebius补助10000好意思元用于8×H200 GPU的主要训练运行。

十二、推理优化：关联感知修补与动作压缩

为了确保平滑的动作序列并处置局部多模态，团队使用滚动修补策略。他们不是径直实践悉数预测的动作，而是采取软修补策略。

具体进程是预测30个动作，实践前26个动作，保存临了4个动作手脚运转条目，然后鄙人一次预测中生成30个新动作，使前4个简直匹配保存的动作，临了重叠这个进程。

环节挑战是如安在尊重关联结构的同期拘谨运改革作。朴素的步履对前4个动作应用硬拘谨，对其余部分不进行调整。这在动作4和5之间的界限创建不一语气性，模子预测不尊重修补和目田动作之间的关联性，每个流匹配圭表的输入变得漫步外。

团队的步履使用学习的关联结构传播修正。将关联矩阵分区为修补和目田部分，然后在每个去噪圭表中，在模子预测后议论修补维度上的守望情状，议论加法修正，应用硬拘谨，并将修正传播到目田维度。

修正矩阵编码在修补维度上给定修正的情况下，每个目田维度应该调整若干，确保平滑过渡。团队使用数值踏实的求解器展望算这个矩阵一次。

团队仅在早期去噪圭表（t>0.3）时间应用修补修正。在早期t时，保持拘谨和关联性对平滑轨迹至关进击。在后期t（接近办法）时，模子应该有完全的目田来妥贴现时不雅察。这种"软"修补允许在不雅察变化时偏离运转狡计。

在动作压缩方面，相干于演示数据加快动作实践不错通过允许每个时段更多的预测周期和更多复原失败的尝试来提高任务完成率。团队应用访佛的旨趣，使用三次样条插值预测26个动作在30Hz，实践20步在30Hz，加快比为1.3倍。

团队使用三次样条插值生成平滑的中间动作，而不是线性重采样，后者可能引入抖动。他们将基础速率维度按1.3倍缩放以妥贴更快的实践，环节速率保持不变，因为它们照旧圭臬化，适度器处理时候。当夹爪情状显耀变化时，团队禁用压缩，好多失败与抓取关联，因此当机器东说念主试图抓取物体时，他们延缓速率并给策略更多时候。

十三、阶段追踪与校正轨则

模子在每个推理圭表预测现时阶段。由于单个预测可能嘈杂，团队采取多数投票决议确保踏实的阶段诊疗。他们严防三个最近阶段预测的滑动窗口，在每个推理圭表，模子输出阶段logits，团队取argmax获取预测阶段，并将此预测附加到历史缓冲区。

阶段诊疗遵从基于预测历史的三个轨则。前向诊疗：如果三个预测中至少两个指引下一阶段，团队前进到该阶段并断根历史。这种多数投票推辞单个嘈杂预测的过早诊疗，同期仍允许反馈式进展。高出检测：如果三个预测一致指引现时阶段+2，这标明机器东说念主比预期更快完成阶段或阶段照旧知足，团队前进一个阶段以追逐，然后断根历史。回滚：如果三个预测一致指引前一阶段，团队回滚一个阶段，这处理需要再行尝试子任务的情况。要求一致高兴使回滚比前向诊疗更保守。

任何阶段诊疗后，预测历史被断根，以推辞沉沦预测影响畴昔诊疗。

BEHAVIOR-1K数据集十分干净，不包含复原演示。在实践中，如果策略失败任何动作，很有可能最终处于漫步外情状并完全卡住。悉数任务中最常见的失败之一是抓取失败并在空气中关闭夹爪。简直莫得训练数据走漏机器东说念主在关闭夹爪后掀开夹爪，这导致完全失败，因为机器东说念主被卡住无法实践任何动作。

为了处置这个问题，团队实施了一个爽朗轨则：如果夹爪关闭，但在调换阶段的训练数据中从未关闭，团队将其视为失败抓取并完全掀开夹爪。这个校正轨则单独使采用任务的得手率爽朗翻倍，其中抓取物体是常见失败时势。

团队动手尝试更细粒度的任务特定例则，但最终只添加了一个"turning_on_radio"任务的爽朗轨则（如果达到最终阶段但未得手则回滚2个阶段）。团队觉得这种步履在改善斥逐方面有后劲，但不可推广或可泛化，因此莫得进一步追求。

十四、评估斥逐与分析

在圭臬化评估公约下，BEHAVIOR-1K挑战赛使用50个家务行径，每个任务10个评估时段，具有固定实例和立时运转条目。得手策划包括办法条目知足（二元和部分），时候适度是任务特定的，为演示数据集会平均东说念主类任务完成时候的2倍。

团队在前5名团队中获取第别称，公开和私东说念主评估之间简直莫得各异。在他们的案例中，部分得手孝顺了爽朗一半的总分。团队达到了26%的q分数，这个得益天然看似不高，但接头到任务的复杂性和万般性，照旧是一个显耀的成就。

分析走漏，一些任务简直照旧处置，除非在特殊辣手的运转条目下。关于得手率为0的任务，团队不雅察到它们每每不是浩荡不可能的，而是每每包含一个需要十分高精度操作的辣手圭表，或者是超出现时模子适度的仔细遵从的序列。

任务络续时候似乎不是根底窒碍。较长的任务仅仅有更多圭表，这使得完全得手愈加贫苦，但部分得手仍然十分可齐备。

团队对失败时势进行了分析，象征了一部分任务的多选失败原因。贤人性问题占主导地位，约占失败的三分之一，这主如果机器东说念主无法可靠地拾取或开释物品的顽皮性。规矩舛错是另一个主要问题，好多任务需要特定规矩，另一个常见问题是决定提前完成。混浊行径可能由机器东说念主参加漫步外情状引起。机器东说念主随机在尝试蹲下从地板拾取物品时动手向后倒。推理问题出当今机器东说念主应该聘用局部非不言而谕的动作时。搜索问题中，去噪进程中的立时性在络续探索方面后果惊东说念主，但可能导致重叠遍历并吞区域。

十五、跨任务学习带来的复原行径

从跨任务学习中出现的复原行径是改善模子的环节身分。单任务模子莫得阐扬出复原行径，在悉数50个任务上训练的调换架构展现出庸碌的复原行径，如拾取掉落的物体。

一般来说，更多训练提高了各任务的得手率，但对某些任务，多任务模子阐扬更差。团队假定这可能是由于任务络续时候短，因此在数据集会相对权重低，或者由于具有相似视觉特征的不同任务之间的混浊。

在主训练运行时间，团队如期分支查验点并在1-2个任务上进行微调。在训练早期，这给出了显耀的性能升迁，但在后期阶段，主运行达到了可比性能，标明训练不及是主要适度身分。

团队的分析隆起了现时VLA模子贤人操作、System-2立场组件率领IL策略和万般化预训练数据集的主要焦点问题，以扩大模子产生挑升旨动作的流形。这标明在这个挑战上的使命与现实天下问题关联。

由于预算适度，团队莫得运行完整的消融筹商。小界限实验走漏，模子对图像质料出东说念主猜测地优容。相比224×224生成与720×720缩放莫得导致挑升旨的变化。更令东说念主骇怪的是，用于评估的云提供商中的机器不援救NGX，这导致了容易察觉的图像质料着落，但对得手率的影响很小。

推理参数的小变化（实践动作数、实践加快、投票历史长度）莫得走漏显耀变化。极点变化导致分数着落。夹爪掀开校正轨则在13个任务的39个时段子集上走漏q分数增多2.2倍。

说到底，这项筹商展示了如何让机器东说念主的确学会作念家务这件事。天然26%的得手率听起来不高，但接头到这些任务的复杂性，这照旧是一个了不得的成就。就像教授一个孩子作念家务不异，机器东说念主当今不仅大约通晓要作念什么，还能在际遇贫苦时想办法处置问题。

更进击的是，这项筹商证实了一个进击不雅点：让机器东说念主学会多种不同的任务，比只教它作念一件事情要好得多。当机器东说念主学会了洗碗、整理房间、烹调等各式技巧后，它在际遇不测情况时就能讹诈这些教导找到处置办法，就像掉落的物品，单独训练的机器东说念主可能就傻眼了，但学过多种任务的机器东说念主知说念要把它捡起来。

天然距离的确实用的家务机器东说念主还有一段路要走，但这项筹商为咱们指明了地点。畴昔的机器东说念主助手可能会越来越理智，越来越可靠，最终的确成为咱们糊口中的牛逼赞理。这项由孤独筹商员完成的冲破性使命，为悉数这个词机器东说念主学习领域诞生了新的标杆，成心思深远了解工夫细节的读者不错通过arXiv:2512.06951v1查询完整的磋论说文。

Q&A

Q1：BEHAVIOR挑战赛到底考验机器东说念主什么才智？

A：BEHAVIOR挑战赛要求机器东说念主在编造家庭环境中完成50种不同的家务任务，包括爽朗的开收音机到复杂的烹调热狗。机器东说念主需要具备双手联结操作、室内导航、多视角感知和长久任求实践才智，每个任务平均需要6.6分钟完成，最长可达14分钟。

Q2：这个筹商团队的关联噪声流匹配工夫有什么特殊之处？

A：传统步履使用孤独的立时噪声训练机器东说念主，但这个团队发现机器东说念主动作具有内在关联性，比如相邻时候步的动作应该平滑衔接，环节想法需要联结。他们使用结构化的关联噪声进行训练，让机器东说念主从一动手就学会联结性动作，使训练更高效、动作更天然。

Q3：为什么机器东说念主作念家务的得手率独一26%？

A：26%的得手率履行上是一个要紧冲破，因为这些家务任务极其复杂。每个任务需要数千个一语气动作，任何小舛错都会积贮放大，而且机器东说念主必须用并吞个模子处理50种完全不同的任务。就像要求一个东说念主成为万能家务行家，大约齐全处理从烹调到清洁的悉数行径。