[CoRL 2025] RoboCasa365：具身智能的“ImageNet时刻”？365个任务与2500个场景的大规模进化

TL;DR

RoboCasa365 是一项旨在解决通用机器人训练难题的宏大工程。它不仅提供了一个包含 365 个真实家政任务（如煮咖啡、洗菜、整理冰箱）的仿真环境，还开放了 2500 个各具特色的厨房场景 和 2200+ 小时的演示数据。实验表明，通过在该平台上进行大规模多任务预训练，机器人模型在下游任务的适应速度提升了 3 倍之多。

背景定位：为何我们需要 RoboCasa365？

在计算机视觉领域，我们有 ImageNet；在 NLP 领域，我们有 Common Crawl。但在机器人学领域，数据一直处于“孤岛”状态。现有的仿真环境由于任务单一、场景重复，往往导致模型“高分低能”，换个厨房或换个盘子就失效。RoboCasa365 的出现，实质上是为具身智能提供了一个高多样性、可演进的训练场。

痛点深挖：通用机器人的三大挑战

1. 数据饥渴 (Data Scarcity)：标注数千小时的真实操作数据耗时数年。
2. 长程任务 (Long-horizon Tasks)：诸如“从冰箱拿菜-洗菜-切菜-下锅”的复合任务，对模型的逻辑推理和精度控制提出了极高要求。
3. 泛化难题 (Generalization)：如何让机器人在从未见过的布局中，不仅认识“杯子”，还能正确操作“从未见过的美式咖啡机”？

核心架构：系统化的仿真与生成

RoboCasa365 的核心在于其资产的广度与任务的深度。

• 环境生成：作者从 Zillow 等房产网站获取真实户型，制作了 50 种布局和 50 种风格，交叉生成 2500 个场景，覆盖了从极简现代到复古欧式的各种厨房风格。
• 任务蓝图：利用 LLM 模拟人类逻辑，将家务细分为 60 个活动大类，生成了 365 个具体任务，其中 220 个需要移动操作（Mobile Manipulation）。

图 1: RoboCasa365 概览：涵盖任务、环境、数据及基准测试的全栈框架。

实验与结果分析：预训练的力量

研究团队对比了当前顶尖的 VLA（Vision-Language-Action）模型，包括 NVIDIA 的 GR00T N1.5 和 Physical Intelligence 的 π0.5。

1. 预训练的显著增益

实验发现，在 300 个场景中预训练过的模型，相比于直接在目标任务上微调，其数据效率提升了 3 倍。这意味着，有了 RoboCasa365 提供的多样性背景，机器人学会新技能的速度大大加快。

图 2: Foundation Model 训练结果：预训练显著增强了下游任务的性能和效率。

2. 终身学习的残酷现实

在名为“终身学习”的任务设置中，模型依次学习不同阶段的任务。结果显示，虽然能学会新任务，但**灾难性遗忘（Catastrophic Forgetting）**非常严重（如下表所示，Phase 1 的成功率从 41.5% 暴跌至 10.6%）。这为未来的算法研究指明了方向。

3. Sim-to-Real 的跨越

在真实厨房测试中，仅使用真实数据训练的模型成功率为 61.8%，而加入 RoboCasa365 仿真数据进行协同训练后，成功率提升至 79.8%，验证了仿真的真实价值。

深度洞察与总结

RoboCasa365 不仅仅是一个数据集，它更像是一个具身智能的测试沙盒。

• 结论 (Takeaway)：任务的多样性对泛化至关重要。模型看到的场景越多、操作的电器种类越杂，它对物理世界的理解就越深。
• 局限性：目前仍局限于厨房。虽然厨房是家政中最复杂的场景，但卧室、客厅等场景仍待开发。
• 展望：该框架采用 MJCF (MuJoCo) 格式，具有极强的社区兼容性，未来可以预见会有更多基于此框架的 VLA 模型诞生。

关键词：具身智能, RoboCasa, 强化学习, VLA Model, 机器人仿真, SOTA