Bench-Push
收藏资源简介：
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.
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
-
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 .
-
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。
- 1Bench-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
