BEHAVIOR-1K 具身智能仿真基准1000 个家务任务评测指南【免费下载链接】BEHAVIOR-1KBEHAVIOR-1K: a platform for accelerating Embodied AI research. Join our Discord for support: https://discord.gg/bccR5vGFEx项目地址: https://gitcode.com/gh_mirrors/om/BEHAVIOR-1KBEHAVIOR-1K 是基于 OmniGibson 仿真器构建的具身智能基准平台内置 1000 个真实家居活动任务适合具身智能与强化学习研究者评测和训练机器人智能体。一句话看懂它具身智能研究长期缺少贴近日常生活的评测集实验室里的机械臂抓取任务很难反映机器人在家庭环境中的真实表现。BEHAVIOR-1K 为此收录了 1000 个来自真实人类时间使用调查的家务活动如清洗、烹饪、整理。每个任务都用声明式的 BDDL 语言一种把任务完成条件写成逻辑规则的格式定义目标状态任务之间的中间步骤由转移规则自动推导。研究者拿到一套开箱即用的评测环境和采样器即可对比不同智能体在家庭任务上的表现。核心技术亮点1000 个 BDDL 任务与自动任务采样仓库中的bddl3/bddl/activity_definitions/目录下存放了 1018 个.bddl任务定义文件覆盖清洁、烹饪、收纳等类别。任务由人类时间使用调查与偏好研究筛选而来不是随机生成的动作序列。采样器bddl3/bddl/data_generation/可以从中批量抽取任务并匹配场景scripts/sampling/下还有对应的统计脚本方便做数据集层面的分布分析。OmniGibson 仿真层物理引擎 对象状态核心仿真器 OmniGibson 构建于 NVIDIA Isaac Sim 之上使用 PhysX 作为物理后端渲染为照片级 PBR 材质。环境类Environment兼容 OpenAI Gym 接口即reset()/step()这套训练强化学习时常见的调用约定。更具体的一点omnigibson/object_states/下有 44 个对象状态模块涵盖温度、受热、含水、被包含、折叠等语义把食物放进微波炉这类任务因此可以被程序化判定是否完成。模块化机器人与控制器机器人模块把移动底盘与机械臂解耦预置配置在OmniGibson/omnigibson/configs/robots/下包含 Fetch、TurtleBot、Husky、LocoBot 五类机型。omnigibson/controllers/提供 10 种控制器实现如位置控制、关节控制、微分运动规划控制器通过逆运动学解算末端目标位姿。以 Fetch 为例它由移动底盘、颈部、躯干、7 自由度手臂和夹爪组成每个部位各挂一个独立控制器研究者可按实验需要单独更换动作空间。传感器与遥操作数据采集omnigibson/sensors/支持 RGB、深度、语义分割相机和激光雷达并可叠加丢包噪声与高斯噪声以模拟真实传感退化。配套模块 JoyLo仓库joylo/目录支持用 Switch Joy-Con 手柄对 R1、R1Pro 双臂机器人做遥操作遥操作录制的轨迹可直接作为模仿学习的示教数据文档docs/behavior_components/data_collection.md有完整流程说明。如何快速上手确认硬件满足最低要求Ubuntu 22.04 以上、32GB 内存、NVIDIA RTX 2070 以上显卡、8GB 显存来源docs/getting_started/installation.md。克隆仓库git clone -b v3.9.1 https://gitcode.com/gh_mirrors/om/OmniGibson.git进入目录。运行统一安装脚本只装核心组件即可./setup.sh --new-env --omnigibson --bddl --dataset脚本会创建名为behavior的 conda 环境、以可编辑模式安装各子包并下载数据集。conda activate behavior激活环境。用 Python 定义场景、物体、机器人与任务的字典配置实例化Environment类即完成环境搭建最小示例见docs/getting_started/quickstart.md。适合谁、能解决什么问题你的问题BEHAVIOR-1K 的解决方式如何判断一个具身智能体会不会做家务从 1000 个 BDDL 任务中采样评测集配合eval-jobqueue/的批量评测脚本生成成功率指标跨团队结果可直接对比。模仿学习缺少家居场景示教数据通过 JoyLo 手柄遥操作 R1 双臂机器人执行任务录制轨迹作为训练数据采集流程见docs/behavior_components/data_collection.md。想训练自己的强化学习策略Environment兼容 Gym 接口且支持向量化环境OmniGibson/omnigibson/envs/sb3_vec_env.py可对接 Stable Baselines3 等常用框架。局限与注意事项硬件门槛偏高官方要求 32GB 内存、RTX 2070 起步、8GB 显存普通笔记本无法运行渲染密集型实验会进一步受 GPU 限制。数据集需要接受许可协议且数据集资产已加密只能通过DatasetObject类加载不能直接当普通 USD 文件使用安装脚本提供了--accept-dataset-tos选项用于自动接受。目前 PyPI 包与 Docker 安装方式暂未就绪官方文档明确标注 Docker 安装因仓库重构暂时不可用只能走源码安装流程setup.sh会拉取 Isaac Sim 依赖网络与磁盘空间都要预留充足。结尾如果你计划评测具身智能策略建议先按docs/getting_started/installation.md完成安装再跑通docs/getting_started/quickstart.md的最小环境随后用bddl3/bddl/data_generation/的采样器生成任务集。仓库根目录的CLAUDE.md与AGENTS.md提供了面向协作者的项目说明模块级文档集中在docs/omnigibson/目录下可按场景、机器人、任务逐个查阅。【免费下载链接】BEHAVIOR-1KBEHAVIOR-1K: a platform for accelerating Embodied AI research. Join our Discord for support: https://discord.gg/bccR5vGFEx项目地址: https://gitcode.com/gh_mirrors/om/BEHAVIOR-1K创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 BEHAVIOR-1K 具身智能仿真基准：1000 个家务任务评测指南
BEHAVIOR-1K 具身智能仿真基准1000 个家务任务评测指南【免费下载链接】BEHAVIOR-1KBEHAVIOR-1K: a platform for accelerating Embodied AI research. Join our Discord for support: https://discord.gg/bccR5vGFEx项目地址: https://gitcode.com/gh_mirrors/om/BEHAVIOR-1KBEHAVIOR-1K 是基于 OmniGibson 仿真器构建的具身智能基准平台内置 1000 个真实家居活动任务适合具身智能与强化学习研究者评测和训练机器人智能体。一句话看懂它具身智能研究长期缺少贴近日常生活的评测集实验室里的机械臂抓取任务很难反映机器人在家庭环境中的真实表现。BEHAVIOR-1K 为此收录了 1000 个来自真实人类时间使用调查的家务活动如清洗、烹饪、整理。每个任务都用声明式的 BDDL 语言一种把任务完成条件写成逻辑规则的格式定义目标状态任务之间的中间步骤由转移规则自动推导。研究者拿到一套开箱即用的评测环境和采样器即可对比不同智能体在家庭任务上的表现。核心技术亮点1000 个 BDDL 任务与自动任务采样仓库中的bddl3/bddl/activity_definitions/目录下存放了 1018 个.bddl任务定义文件覆盖清洁、烹饪、收纳等类别。任务由人类时间使用调查与偏好研究筛选而来不是随机生成的动作序列。采样器bddl3/bddl/data_generation/可以从中批量抽取任务并匹配场景scripts/sampling/下还有对应的统计脚本方便做数据集层面的分布分析。OmniGibson 仿真层物理引擎 对象状态核心仿真器 OmniGibson 构建于 NVIDIA Isaac Sim 之上使用 PhysX 作为物理后端渲染为照片级 PBR 材质。环境类Environment兼容 OpenAI Gym 接口即reset()/step()这套训练强化学习时常见的调用约定。更具体的一点omnigibson/object_states/下有 44 个对象状态模块涵盖温度、受热、含水、被包含、折叠等语义把食物放进微波炉这类任务因此可以被程序化判定是否完成。模块化机器人与控制器机器人模块把移动底盘与机械臂解耦预置配置在OmniGibson/omnigibson/configs/robots/下包含 Fetch、TurtleBot、Husky、LocoBot 五类机型。omnigibson/controllers/提供 10 种控制器实现如位置控制、关节控制、微分运动规划控制器通过逆运动学解算末端目标位姿。以 Fetch 为例它由移动底盘、颈部、躯干、7 自由度手臂和夹爪组成每个部位各挂一个独立控制器研究者可按实验需要单独更换动作空间。传感器与遥操作数据采集omnigibson/sensors/支持 RGB、深度、语义分割相机和激光雷达并可叠加丢包噪声与高斯噪声以模拟真实传感退化。配套模块 JoyLo仓库joylo/目录支持用 Switch Joy-Con 手柄对 R1、R1Pro 双臂机器人做遥操作遥操作录制的轨迹可直接作为模仿学习的示教数据文档docs/behavior_components/data_collection.md有完整流程说明。如何快速上手确认硬件满足最低要求Ubuntu 22.04 以上、32GB 内存、NVIDIA RTX 2070 以上显卡、8GB 显存来源docs/getting_started/installation.md。克隆仓库git clone -b v3.9.1 https://gitcode.com/gh_mirrors/om/OmniGibson.git进入目录。运行统一安装脚本只装核心组件即可./setup.sh --new-env --omnigibson --bddl --dataset脚本会创建名为behavior的 conda 环境、以可编辑模式安装各子包并下载数据集。conda activate behavior激活环境。用 Python 定义场景、物体、机器人与任务的字典配置实例化Environment类即完成环境搭建最小示例见docs/getting_started/quickstart.md。适合谁、能解决什么问题你的问题BEHAVIOR-1K 的解决方式如何判断一个具身智能体会不会做家务从 1000 个 BDDL 任务中采样评测集配合eval-jobqueue/的批量评测脚本生成成功率指标跨团队结果可直接对比。模仿学习缺少家居场景示教数据通过 JoyLo 手柄遥操作 R1 双臂机器人执行任务录制轨迹作为训练数据采集流程见docs/behavior_components/data_collection.md。想训练自己的强化学习策略Environment兼容 Gym 接口且支持向量化环境OmniGibson/omnigibson/envs/sb3_vec_env.py可对接 Stable Baselines3 等常用框架。局限与注意事项硬件门槛偏高官方要求 32GB 内存、RTX 2070 起步、8GB 显存普通笔记本无法运行渲染密集型实验会进一步受 GPU 限制。数据集需要接受许可协议且数据集资产已加密只能通过DatasetObject类加载不能直接当普通 USD 文件使用安装脚本提供了--accept-dataset-tos选项用于自动接受。目前 PyPI 包与 Docker 安装方式暂未就绪官方文档明确标注 Docker 安装因仓库重构暂时不可用只能走源码安装流程setup.sh会拉取 Isaac Sim 依赖网络与磁盘空间都要预留充足。结尾如果你计划评测具身智能策略建议先按docs/getting_started/installation.md完成安装再跑通docs/getting_started/quickstart.md的最小环境随后用bddl3/bddl/data_generation/的采样器生成任务集。仓库根目录的CLAUDE.md与AGENTS.md提供了面向协作者的项目说明模块级文档集中在docs/omnigibson/目录下可按场景、机器人、任务逐个查阅。【免费下载链接】BEHAVIOR-1KBEHAVIOR-1K: a platform for accelerating Embodied AI research. Join our Discord for support: https://discord.gg/bccR5vGFEx项目地址: https://gitcode.com/gh_mirrors/om/BEHAVIOR-1K创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考