| language: | |
| - zh | |
| pretty_name: RoboTwin beat_block_hammer demo_clean-50 artifacts | |
| tags: | |
| - robotwin | |
| - embodied-ai | |
| - robotics | |
| - bimanual-manipulation | |
| - evaluation | |
| - video | |
| license: other | |
| # RoboTwin beat_block_hammer demo_clean-50 Artifacts | |
| 这个仓库存放的是一次 RoboTwin 单任务闭环实验的关键结果产物，而不是官方完整数据集。 | |
| ## 仓库内容 | |
| - `same_distribution/` | |
| - `demo_clean -> demo_clean` 的评测结果与 100 个 rollout 视频 | |
| - `cross_configuration/` | |
| - `demo_clean -> demo_randomized` 的评测结果与 100 个 rollout 视频 | |
| - `experiment_summary.json` | |
| ## 已完成的闭环 | |
| 本实验完整跑通了以下链路： | |
| 1. RoboTwin 官方任务程序生成专家轨迹 | |
| 2. 原始轨迹落盘为 raw data | |
| 3. ACT 预处理生成 training-ready data | |
| 4. ACT 正式训练 | |
| 5. 策略重新部署回 RoboTwin 环境 | |
| 6. 在 clean / randomized 两种配置下正式评测 | |
| ## 关键结果 | |
| - 同分布：`demo_clean -> demo_clean` 成功率 `0.64` | |
| - 跨配置：`demo_clean -> demo_randomized` 成功率 `0.0` | |
| ## 工程心得 | |
| 这次实验说明，RoboTwin 的价值不只是“能产出模拟数据”，而是它把具身智能实验做成了一条严格的工程流水线： | |
| - 环境层定义任务、对象和成功标准 | |
| - 专家层生成并筛选成功轨迹 | |
| - 数据层保存多模态原始观测 | |
| - 训练层把原始数据转成策略学习输入 | |
| - 部署层把策略重新接回环境 | |
| - 评测层用统一协议统计成功率并保存视频证据 | |
| 从研究角度看，这组结果也很典型：clean 分布上的成功并不自动意味着对 domain randomization 的鲁棒性。RoboTwin 2.0 所强调的强随机化、数据多样性和稳健评测，在这次实验里都得到了非常具体的体现。 | |
| ## 说明 | |
| 本仓库中的产物由 RoboTwin 官方代码仓库生成。上游代码、任务定义与论文请参考 RoboTwin 官方项目。 | |