A2A-Bench

A2A-Bench是一个面向操作的基准数据集，覆盖了日常场景中的单区域和多区域指令对应关系，用于场景级、任务条件的、一对多的功能部分可操作性基础。

A2A-Bench is an operation-oriented benchmark dataset covering single-region and multi-region instruction correspondences in everyday scenarios, serving as the foundational basis for scene-level, task-conditioned one-to-many functional partial operability.

原始信息汇总

数据集概述：Affordance2Action (A2A)

项目全称：Affordance2Action (A2A)
核心定位：一个以基准为中心的学g框架，用于场景级、任务条件下的部分功能（Affordance）定位。

核心概念

• 任务条件化操作：需要将指令定位到与任务相关的功能部件，而非对象类别。
• 一对多映射：同一对象在不同任务中可能提供不同交互功能，而单个任务可能对应多个有效功能区域。

主要组件

组件	描述	状态
A2A-AffordGen	基于智能体辅助的标注流水线	已发布（A2A-AffordGen/ 目录下）
A2A-Bench	场景级、任务条件化、一对多的功能基准（操作导向）	数据集卡片已发布（A2A-Bench 目录下），数据托管进行中
A2A-GroundingModel	基于SAM3的实时任务条件化部件定位模型	即将发布
A2A-Policy	由功能先验引导的操作策略	即将发布

基准（A2A-Bench）特点

• 覆盖日常场景中单区域和多区域指令对应关系。
• 为实时定位模型和操作策略提供监督信号。

项目链接

• 项目页面：https://arc-l.github.io/a2a/

引用信息

• 学术引用格式已提供（详见README中的BibTeX条目）。

搜集汇总

数据集介绍

构建方式

A2A-Bench面向任务驱动的场景级部件可供性定位需求而构建，聚焦于日常家庭环境中的操作场景。其构建依托自主研发的A2A-AffordGen智能体辅助标注流水线，通过集成大型语言模型与视觉基础模型，以高效的人机协作方式为场景中每个物体标注与任务语义相关联的功能部件区域。该基准覆盖多种日常场景，支持单区域与多区域指令对应关系，突破了传统对象类别级标注的局限。

特点

A2A-Bench的核心特性在于其任务条件化与一对多的标注范式，即同一物体在不同任务指令下可呈现出不同的功能部件，而同一任务亦可能对应多个有效操作区域。这种场景级、任务驱动的标注策略更加贴合真实世界中机器人操作的复杂需求。此外，该数据集依托真实室内场景构建，涵盖丰富的操作指令与精细的部件级语义标注，具备高度的实用性与泛化潜力。

使用方法

A2A-Bench为实时部件定位模型A2A-GroundingModel及操作策略A2A-Policy的研发提供监督信号。研究人员可直接加载数据集中的标注作为训练数据，结合任务指令输入，训练模型在场景中定位任务相关的功能部件区域。该数据集可通过项目页面获取，待数据托管完成后将提供标准的下载与接口文档，支持主流的深度学习框架加载与评估流程。

背景与挑战

背景概述

Affordance2Action（A2A）基准框架由Liu、Han、Yi等研究者于2026年提出，旨在解决场景级、任务条件下的部件功能可供性（affordance）定位问题。核心数据集A2A-Bench专注于操作场景，涵盖日常环境中单区域与多区域指令对应的复杂关联。该框架突破了传统基于物体类别的定位局限，强调同一物体在不同任务下可激发多种功能区域，任务与功能区域之间呈现‘一对多’映射关系。A2A-Bench的构建依托智能体辅助的标注流水线A2A-AffordGen，为实时定位模型与操作策略提供监督信号，显著推动了机器人操作领域的基准研究发展。

当前挑战

A2A-Bench面临的主要挑战包括：1）任务条件化场景级可供性定位需处理目标与功能区域的多重对应关系，克服传统标注范式对单一物体-任务映射的简化假设；2）数据构建过程中，大规模标注需兼顾多区域指令的语义歧义性与标注一致性，A2A-AffordGen智能体辅助流水线需在效率与精度间取得平衡；3）实时定位模型需在复杂场景中快速区分任务相关的功能部件，应对视觉变化与遮挡；4）操作策略需将可供性先验转化为鲁棒的机械臂控制，适应真实物理环境的动态约束。

常用场景

经典使用场景

在机器人操作与场景理解领域，A2A-Bench作为一项面向场景级任务条件化功能区域定位的基准数据集，最经典的使用场景在于评估和训练模型在复杂日常环境中实现实时、精细的部件级功能感知。其独特之处在于支持单区域与多区域指令对应，解决了同一物体在不同任务下功能区域异构、以及单一任务可能对应多个有效功能区域的‘一对多’映射难题，为任务条件化操作提供了可靠的监督信号。

解决学术问题

A2A-Bench系统性地解决了传统功能理解研究中普遍存在的任务不可知与场景孤立问题。既有工作多聚焦于物体类别层次的功能属性或单任务条件，缺乏对场景依赖性和任务间功能区域异构性的建模。该数据集通过引入场景级、任务条件化的‘一对多’功能标注，使研究者得以探索操作指令到部件功能区域的精准映射，显著推动了任务导向的功能理解从物体级别向场景级别的跃升。

衍生相关工作

围绕A2A-Bench衍生的经典工作包括A2A-AffordGen智能体辅助标注管线，它实现了大规模、高质量场景级功能区域数据的高效生产，降低了人工标注成本。此外，基于该基准训练的A2A-GroundingModel（基于SAM3的实时部件定位模型）与A2A-Policy（功能先验引导的操作策略）共同构成了从感知到执行的完整闭环，为后续研究提供了从数据生成、模型训练到策略部署的标准化范式。