BURGER：通过具身绘画对机器人泛化能力进行基准测试与理解

随着训练数据规模扩大，视觉-语言-动作（VLA）模型能够多有效地学习多样化的语言条件行为？研究这一问题需要大量且多样的机器人数据集，而在实体机器人上采集此类数据仍然成本高昂。我们提出 BURGER，这是一个语言条件机器人绘画基准，配备可扩展、由提示驱动的流程，用于在仿真环境和真实世界中生成连续的绘画轨迹。在 BURGER 中，智能体从同一张空白画布开始，控制机械臂绘制语言所指定的物体或空间构图；同时，每条指令都允许有效绘画及笔画顺序具有开放式的多样性。我们使用涵盖 282 项绘画任务的 28,200 条仿真演示数据，从数据规模、语言对齐和多模态行为等方面评估了五种具有代表性的 VLA 模型。BURGER 支持对语言对齐、空间构图和动作生成进行细粒度分析，揭示了不同 VLA 模型各自独特的失败模式。实验表明，一些 VLA 模型能够从更高的任务多样性和更大的演示规模中获益，捕捉多模态绘画行为，并泛化到由熟悉物体组成的未见构图。最后，我们将训练好的策略部署到 Franka Panda 机械臂上，展示了其在人类干预下进行反应式绘画的能力。项目主页和代码见 https://siyingzhao.github.io/BURGER/。