PersONAL

PersONAL是一个全面的个性化具身智能体基准测试数据集，专注于个性化对象导航和定位任务。

PersONAL is a comprehensive benchmark dataset for personalized embodied agents, focusing on the tasks of personalized object navigation and localization.

原始信息汇总

PersONAL: Personalized Object Navigation And Localization 数据集概述

数据集名称

PersONAL: Personalized Object Navigation And Localization

数据集来源

该数据集与论文《PersONAL: Towards a Comprehensive Benchmark for Personalized Embodied Agents》相关联。

当前状态

• 代码和数据集即将发布。
• 请关注该仓库以获取最新更新。

相关论文

• 标题: PersONAL: Towards a Comprehensive Benchmark for Personalized Embodied Agents
• 作者: Filippo Ziliotto, Jelin Raphael Akkara, Alessandro Daniele, Lamberto Ballan, Luciano Serafini, Tommaso Campari
• 期刊: arXiv preprint arXiv:2509.19843
• 年份: 2025
• 预印本链接: https://arxiv.org/abs/2509.19843

引用信息

如果此工作对您有帮助，请引用： bibtex @article{ziliotto2025personal, title = {PersONAL: Towards a Comprehensive Benchmark for Personalized Embodied Agents}, author = {Filippo Ziliotto and Jelin Raphael Akkara and Alessandro Daniele and Lamberto Ballan and Luciano Serafini and Tommaso Campari}, journal = {arXiv preprint arXiv:2509.19843}, year = {2025} }

搜集汇总

数据集介绍

构建方式

在具身智能研究领域，构建高质量数据集是推动个性化代理发展的关键。PersONAL数据集通过系统化采集真实环境中的多模态交互数据，整合视觉观察、语言指令及空间定位信息，采用严谨的标注流程确保数据的一致性与可靠性，为个性化导航任务奠定坚实基础。

特点

该数据集的核心特点在于其全面覆盖个性化导航场景，包含多样化的用户偏好与环境上下文，支持细粒度的物体定位与路径规划分析。其多模态结构融合视觉、语言与空间数据，能够有效模拟真实世界的复杂交互需求，为具身智能研究提供丰富实验素材。

使用方法

研究人员可通过加载数据集中的场景配置与任务描述，结合配套算法框架进行个性化导航模型的训练与验证。数据集支持标准评估协议，用户可依据预设指标量化代理性能，并通过模块化接口灵活扩展实验设置，促进个性化具身智能技术的迭代与优化。

背景与挑战

背景概述

在具身智能研究领域，个性化交互能力正成为推动智能体适应复杂现实环境的核心议题。PersONAL数据集由Filippo Ziliotto等研究者于2025年提出，旨在构建面向个性化具身智能体的综合基准测试框架。该数据集聚焦于智能体在动态环境中根据用户偏好进行目标导航与定位的任务，通过融合多模态感知与个性化决策逻辑，为具身智能研究提供了系统化的评估标准。其设计体现了从通用任务执行向个性化上下文理解的研究范式转变，对促进智能体在家庭服务、人机协作等场景的实际应用具有深远影响。

当前挑战

PersONAL数据集致力于解决个性化具身导航中的两大核心挑战：一是如何建模动态环境下的用户偏好与对象关联性，需克服多模态信号对齐与长期依赖推理的复杂性；二是构建过程中需平衡场景多样性与标注一致性，涉及大规模三维环境仿真、个性化任务路径生成以及细粒度对象交互标注的协同优化。此外，基准设计需兼顾任务可扩展性与评估指标的泛化能力，避免因个性化参数过度拟合而削弱智能体在未知场景中的适应性。

常用场景

经典使用场景

在具身智能体研究领域，PersONAL数据集为个性化导航任务提供了标准化测试平台。该数据集通过模拟真实家居环境中的对象交互场景，要求智能体根据用户偏好动态定位目标物品，典型应用包括训练模型理解上下文指令并实现精准路径规划。这种设置有效评估了智能体在复杂空间中的自适应能力与长期记忆机制。

解决学术问题

该数据集突破了传统导航任务中对静态目标的依赖，解决了个性化偏好建模与动态环境适应的核心学术难题。通过引入用户特定的对象关联性标注，为研究多模态指令理解、终身学习机制提供了数据基础，显著推动了具身智能领域从通用导航向个性化服务的技术转型。

衍生相关工作

基于该数据集衍生的经典研究包括分层强化学习框架的优化，如将用户偏好编码为策略网络的先验知识。相关工作还探索了跨场景迁移学习方案，通过对比学习提取个性化特征表示，这些成果显著提升了智能体在未知环境中的泛化性能，形成了具身智能研究的新范式。