Problem

目前的通用型機器人操縱策略缺乏系統性的評估標準。現有基準多侷限於短時程或單一技能，且模擬與現實環境往往脫節：模擬環境雖具備規模化優勢，卻難以反映真實物理挑戰；而實體評估則因成本高昂、耗時且難以復現，限制了技術的快速迭代與公平比較。

Method

研究團隊開發了 RoboDojo 平台，涵蓋 42 個模擬任務與 18 個實體任務。模擬端利用 Isaac Sim 實現異質並行運算，針對泛化性、記憶力、精準度、長程執行及開放詞彙指令遵循進行評估。實體端則透過 RoboDojo-RealEval 系統提供雲端存取、標準化硬體、場景自動重置與統一部署介面，並藉由 XPolicyLab 達成模擬與現實間的低門檻遷移。

Results

該研究已成功將 30 種機器人策略整合至 XPolicyLab 並於 RoboDojo 完成評測，正式建立公開排行榜。透過系統性的數據分析，揭示了目前 AI 策略在處理長時程任務與精準物理接觸時的具體表現，並精確診斷出當前技術在模擬與實體環境轉換間的效能瓶頸。

Significance

RoboDojo 為機器人研究領域提供了首個高度統一且具備高可復現性的評測架構。它不僅解決了實體實驗難以標準化的痛點，更透過高效的模擬與實體對照工具，降低了通用型機器人政策的研發門檻，為開發更具韌性與泛化能力的自主系統奠定了關鍵基礎。