HumanoidBench 人形机器人全身运动与操作仿真基准

人形机器人凭借类人形态带来的灵活性和适应性，被认为能在多样环境和任务中辅助人类；但相关研究常被昂贵且脆弱的硬件装置卡住。硬件侧已经出现 Boston Dynamics Atlas、Tesla Optimus、Unitree H1 等进展，控制器却仍完全或部分依赖针对具体任务的手工设计，每换一个任务和环境都要投入大量工程，全身控制能力也往往有限。HumanoidBench 要回答的正是：能否用高维、可复现的仿真基准，把全身运动与操作算法的验证从昂贵实机中部分解放出来，加速算法研究。它的价值在于把复杂动力学控制、身体各部位协调和长时程任务这些难点放进统一测试台，让算法验证不必每次都从昂贵实机开始。

HumanoidBench 的仿真环境基于 MuJoCo 物理引擎，主机器人选 Unitree H1，并在双臂装上两只 Shadow Hands；环境也可替换其他模型，包括 Unitree G1、Agility Robotics Digit、Robotiq 2F-85 夹爪和 Unitree H1 hand。任务套件包含 15 个全身操作任务和 12 个运动任务，合计 27 个；操作任务有货架整理、从卡车卸货、用工具擦窗、接球并投篮，运动任务包括迷宫导航。对比表中，这套基准列出动作维度 61、自由度 75、任务时长 500–1000 步，并覆盖从抓放到全身操作、运动与稳定化等多类技能。它支持通用控制器结构，学习方法和基于模型的方法都能接入，开源代码也已给出。

最直接的发现是：当前最先进的强化学习算法在大多数任务上仍吃力，尤其是控制复杂人形动力学和最困难的长时程任务。表格对比显示，HumanoidBench 的 27 个任务、61 维动作、75 个自由度和 500–1000 步任务时长，把评测重点放在大动作空间和长时程协调上；这与许多偏向准静态、短时程抓放或手内操作的既有基准形成差别。换句话说，它不是只测单一技能，而是把全身操作与运动放在同一套高维控制问题里。材料同时指出，这套任务可用于定位人形机器人学习中的挑战，并快速验证算法与想法。

另一个关键结果是分层学习。材料报告，在稳健的低层策略（例如行走或伸手）支持下，分层学习方法取得了更好的表现，优于直接面对多数任务的最先进强化学习算法。12 个运动任务不要求手的灵巧性，可作为全身操作任务的基础技能，也提供一组较容易的任务来验证算法。这意味着，难点可能不只在高层决策，还在低层技能是否可靠；当行走、伸手等底层能力稳定后，高层策略才更容易把长时程任务串起来。这里的判断是解读：分层方法的优势依赖“稳健低层策略”这一前提，材料并未说任何分层结构都能自动奏效。

对实践的影响是，团队在进入昂贵实机前，可以用这套仿真基准做快速、安全、低成本的算法筛选和对比；它提供标准化评测，让高维人形学习与控制进展有共同参照。更具体的启示是，端到端强化学习不应被默认能解决大多数全身任务，先构造可靠的行走、伸手等低层策略，再在其上做分层组合，可能是更现实的路线。这个判断基于材料中“分层学习在稳健低层策略支持下表现更优”的结果，不等于对所有任务和机器人都成立。

这份资料适合做机器人学习、强化学习、全身运动与操作的研究者，也适合需要仿真基准来对比算法、搭建评测流程的工程人员阅读。读完可以拿走三样东西：一套含 27 个任务的 HumanoidBench 任务全景，一个以 Unitree H1 加 Shadow Hands 为主、可替换机器人模型的仿真配置，以及“当前强化学习在多数任务上吃力、分层方法在有稳健低层策略时更好”的基线判断。边界也要看清：材料报告的是仿真基准中的结果，主配置是特定人形机器人和灵巧手，结论依赖所测算法与任务集合；这份材料没有报告真实机器人上的部署验证，因此不能把仿真中的表现直接外推为实机性能。

HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation Carmelo Sferrazza 1 Dun-Ming Huang 1 Xingyu Lin 1 Youngwoon Lee1,2 Pieter Abbeel 1 1UC Berkeley 2Yonsei University Fig. 1: Humanoid robots equipped with dexterous hands hold immense promise for integration into real-world human environments. Nonetheless, harnessing the full potential of humanoid robots presents numerous challenges, such as the intricate control of robots with complex dynamics, sophisticated coordination among various body parts, and addressing long-horizon complex tasks envisioned for these robots. We present HumanoidBench, a simulated humanoid robot benchmark consisting of 15 whole-body manipulation and 12 locomotion tasks, such as shelf rearrangement, package unloading, and maze navigation. Abstract—Humanoid robots hold great promise in assisting