Bench-Push

Bench-Push是由滑铁卢大学等机构联合推出的首个专注于移动机器人推送式导航与操作任务的标准化评测框架。该数据集包含四大仿真环境：带可移动障碍物的迷宫导航、冰面水域船舶自主航行、箱体投递及区域清理任务，均提供2D/3D可配置复杂度的模拟场景。其通过MuJoCo和Pymunk实现高保真物理仿真，涵盖导航效率、交互力度等新型评估指标，并集成SAC、PPO等基线算法。该资源旨在解决推送式机器人研究缺乏统一评测标准的问题，支持从快速原型开发到真实场景部署的全流程验证。

Bench-Push is the first standardized evaluation framework for mobile robot push-based navigation and manipulation tasks, jointly developed by the University of Waterloo and other institutions. This dataset includes four simulation environments: maze navigation with movable obstacles, autonomous ship navigation on icy waters, box delivery, and area cleaning tasks, all of which provide simulated scenarios with configurable 2D/3D complexity. It leverages MuJoCo and Pymunk to achieve high-fidelity physical simulation, covers novel evaluation metrics such as navigation efficiency and interaction force, and integrates baseline algorithms including SAC and PPO. This resource aims to address the lack of unified evaluation standards for push-based mobile robot research, and supports full-process validation ranging from rapid prototyping to real-world deployment.

原始信息汇总

BenchNPIN 数据集概述

数据集简介

BenchNPIN 是一个用于移动机器人非抓取式交互导航的综合基准测试工具套件。其目标是为研究人员提供一个标准化的平台，用于训练和评估非抓取式交互导航算法。该套件提供了广泛的非抓取式交互导航任务的模拟环境、专门捕捉任务效率和交互努力的指标，以及带有参考实现的策略模板。

相关论文为“Bench-NPIN: Benchmarking Non-prehensile Interactive Navigation”，目前正在接受 IROS 2025 评审。

环境描述

1. 可移动障碍物迷宫导航

• 环境标识：gym.make(maze-NAMO-v0)
• 任务描述：环境中包含一个静态迷宫结构和随机初始化的障碍物。机器人的任务是从起始位置导航到目标位置，同时最小化路径长度和与障碍物的碰撞。

2. 冰域自主船舶导航

• 环境标识：gym.make(ship-ice-v0)
• 任务描述：一艘自主水面舰艇必须到达前方的一条水平目标线，同时最小化与航道中破碎浮冰的碰撞。

3. 箱子递送

• 环境标识：gym.make(box-pushing-v0)
• 任务描述：环境中包含一组可移动的箱子，需要被递送到指定的“接收器”。机器人的任务是使用其前保险杠递送所有箱子。

4. 区域清理

• 环境标识：gym.make(area-clearing-v0)
• 任务描述：环境中包含一组可移动的箱子和一个“清理”区域。机器人的任务是从该“清理”区域移除所有箱子。

安装与使用

安装方式

1. 通过 pip 安装： bash pip install benchnpin

   • 此命令足以运行“Ship-Ice”和“Maze”环境。
   • 要运行“Box-Delivery”和“Area-Clearing”环境，需额外安装最短路径模块： bash git clone https://github.com/IvanIZ/spfa.git cd spfa pip install -e .

2. 从源码构建：

   • 克隆项目及子模块。
   • 安装依赖项：pip install -r requirements.txt。
   • 安装 Gym 环境：pip install -e .。
   • 安装最短路径模块：进入 deps/spfa 目录并执行 pip install -e .。

基本用法

• 运行交互导航环境：通过 gym.make 创建环境，并遵循标准的 Gymnasium 交互循环。
• 环境参数配置：请参考各环境对应的配置示例脚本（如 configure_maze.py）。
• 创建自定义策略：继承自 BasePolicy 基类并实现相应方法。
• 运行策略基准测试：初始化多个策略，调用其 evaluate 方法进行评估，并使用 BaseMetric.plot_algs_scores 绘制效率与努力分数。

已实现的基线策略

任务	基线策略
Maze	SAC, PPO
Ship-Ice	SAC, PPO, SAV Planning
Box-Delivery	SAC, PPO, SAM
Area_Clearing	SAC, PPO, SAM, GTSP

策略说明：

• SAC/PPO：基于 Stable Baselines 3 集成的强化学习策略。
• SAV Planning：基于 ASV 冰上导航格子规划器 和 预测性 ASV 冰上导航规划器 的规划策略。
• SAM：空间动作地图 策略。
• GTSP：广义旅行商问题策略，详情请参阅论文附录 I。

附加资源

• 训练模型权重：可从 Google Drive 下载。
• GTSP 策略要求：需安装 Julia 编程语言，并使用 GLNS 求解器的分支。求解器路径可作为参数配置。

搜集汇总

数据集介绍

构建方式

Bench-NPIN数据集通过模块化设计构建，包含多样化的模拟环境和任务配置。其核心是基于Pymunk 2D物理引擎开发的Gymnasium接口环境，涵盖迷宫导航、冰面船舶航行、箱体递送和区域清理四类场景。每个环境支持参数化配置，可通过脚本或命令行调整障碍物密度、几何形态等复杂度参数。数据采集过程采用标准化策略模板，整合了SAC、PPO等强化学习算法以及SAM等任务专用方法，确保算法评估的多样性和可复现性。

使用方法

用户可通过开源Python库快速部署Bench-NPIN，其使用流程分为三个层次：环境层支持Gymnasium标准API调用，提供可交互的GUI演示模式；算法层通过继承基类Policy实现自定义策略，利用内置的ResNet18视觉编码器处理四通道观测数据（静态障碍/动态物体/机器人足迹/目标距离变换）；评估层自动生成包含路径效率、物体位移功等12项指标的综合性报告。研究人员可基于预置的SAC/PPO/SAM基线模型进行迁移学习，或通过GTSP等组合优化方法验证新型算法在部分可观测环境中的鲁棒性。

背景与挑战

背景概述

Bench-NPIN是由加拿大滑铁卢大学的研究团队于2025年提出的首个专注于非抓取式交互导航（Non-prehensile Interactive Navigation, NPIN）的综合性基准测试。该数据集由Ninghan Zhong、Steven Caro等学者联合开发，旨在解决移动机器人在非结构化环境中需要通过推动等非抓取方式与可移动物体交互的导航问题。作为开源Python库，Bench-NPIN包含四大仿真环境（迷宫导航、冰面船舶导航、箱体递送和区域清理）及配套评估指标，填补了该领域缺乏标准化评估工具的空白，为机器人交互导航算法的可复现性和跨研究比较提供了重要基础。其模块化设计支持导航中心型和操作中心型两类NPIN任务的评估，推动了服务机器人、极地勘探等实际应用场景的研究进展。

当前挑战

Bench-NPIN针对的领域核心挑战在于：传统导航基准将物体碰撞视为失败，而交互导航需量化评估必要的环境交互行为。具体挑战包括：1) 导航效率与交互力度的权衡度量，需设计同时反映路径最优性和物体位移量的复合指标；2) 操作中心任务需解决多物体推动中的动力学耦合问题，如箱体堆叠时的连锁运动效应；3) 构建过程中的技术挑战涉及物理引擎精度（如Pymunk 2D对复杂接触力的模拟）与任务泛化性的平衡，既要保证冰面船舶碰撞等特殊场景的真实性，又要维持不同难度级别的可配置性。此外，基准还需兼容强化学习与经典运动规划算法的异构评估需求。

常用场景

经典使用场景

Bench-NPIN数据集在机器人非抓取交互导航领域具有广泛的应用场景。其经典使用场景包括在复杂迷宫中导航、自主船舶在冰覆盖水域中的航行、箱子递送任务以及区域清理任务。这些场景模拟了真实世界中机器人可能遇到的各种动态和静态障碍物环境，为研究者提供了一个标准化的测试平台。

解决学术问题

Bench-NPIN数据集解决了非抓取交互导航领域中的多个关键学术问题。首先，它提供了一个统一的评估框架，解决了以往研究中因使用特定案例设置而导致的再现性和交叉比较困难的问题。其次，它引入了新的评估指标，如效率、交互努力和部分任务完成度，填补了传统导航评估指标的不足。这些创新为研究者提供了更全面的性能评估工具。

实际应用

在实际应用中，Bench-NPIN数据集可广泛应用于家庭服务机器人、医疗机器人、灾难救援机器人等领域。例如，在家庭环境中，机器人可能需要推动家具以完成清洁任务；在灾难现场，机器人可能需要清理障碍物以开辟救援通道。这些应用场景展示了数据集在现实世界中的实用价值。

数据集最近研究

最新研究方向

近年来，Bench-NPIN数据集在非抓取式交互导航领域引起了广泛关注。随着移动机器人在非结构化环境中的广泛应用，如何高效、安全地实现机器人与可移动障碍物的交互成为研究热点。Bench-NPIN通过提供多样化的模拟环境、标准化的评估指标和模块化的开源框架，为研究者提供了一个统一的基准测试平台。该数据集不仅涵盖了迷宫导航、船舶破冰等经典场景，还引入了盒子递送和区域清理等新型任务，推动了非抓取式交互导航算法的发展。特别是在强化学习与任务特定策略的结合方面，Bench-NPIN为研究者提供了丰富的实验数据和基线模型，显著提升了算法的可重复性和横向比较能力。这一数据集的推出，为未来在复杂动态环境中的机器人导航研究奠定了坚实基础。

相关研究论文

• Bench-NPIN: Benchmarking Non-prehensile Interactive Navigation

  加拿大滑铁卢大学电气与计算机工程系 · 2025年