ActiveArena: Benchmarking and Understanding Active Perception in Robotic Manipulation

📄 arXiv: 2609.24124v1 📥 PDF

作者: Yibo Li, Enshen Zhou, Rui Chen, Yanjun Ding, Mengzhen Liu, Yi Han, Jiabo Zhan, Lipeng Wang, Shanghang Zhang, Lu Sheng

分类: cs.RO, cs.AI

发布日期: 2026-09-21

备注: 43 pages. Project page: https://leeibo.github.io/ActiveArena

💡 一句话要点

提出ActiveArena以解决机器人主动感知与操控评估问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 主动感知 机器人操控 基准测试 记忆管理 视觉探索 信息获取 动态环境 智能决策

📋 核心要点

  1. 现有基准无法有效评估机器人在主动感知中如何获取和维护信息，限制了研究的深入。
  2. 本文提出ActiveArena-Sim和ActiveArena-Bench，提供可控视角和多样化任务，促进主动感知的研究。
  3. 实验结果表明，优化的记忆管理和决策机制显著提升了机器人在OOD场景中的表现。

📝 摘要（中文）

主动感知与操控对于机器人在复杂场景中的交互至关重要。然而，现有基准难以有效评估机器人如何主动获取和维护信息。为此，本文提出了ActiveArena-Sim，一个具有可控视角和大规模工作空间的主动感知模拟器，并基于此构建了ActiveArena-Bench，包含35个任务，涵盖视觉探索和互动信息获取。每个任务都需要多轮证据获取和基于记忆的推理，提供丰富的记忆注释和标准化训练数据。实验结果显示，均匀的记忆采样和可靠的写入策略显著提高了OOD泛化能力，ActiveArena为主动感知与操控模型的开发和诊断提供了统一的测试平台。

🔬 方法详解

问题定义：本文旨在解决现有机器人主动感知与操控评估基准的不足，特别是在信息获取和记忆维护方面的挑战。现有方法往往依赖被动观察，无法有效应对复杂场景中的动态变化。

核心思路：提出ActiveArena-Sim作为主动感知的模拟环境，通过设计多样化的任务和可控的视角，促进机器人在动态环境中主动获取信息。ActiveArena-Bench则提供了标准化的任务和数据，支持多轮证据获取和记忆推理。

技术框架：整体架构包括ActiveArena-Sim模拟器、ActiveArena-Bench基准任务和ActiveArena-VLA模块化配置。模拟器提供可控视角，基准任务涵盖视觉探索和信息获取，而VLA配置则用于研究记忆写入、容量和高层规划等。

关键创新：最重要的创新在于提出了一个统一的测试平台，结合了丰富的记忆注释和标准化的数据集，使得机器人在主动感知和操控中的表现可以被系统地评估和比较。

关键设计：在设计中，采用了均匀的记忆采样策略和可靠的写入政策，优化了记忆容量和输入状态的处理，确保机器人在复杂场景中能够有效地进行决策和规划。实验中还引入了子任务监督机制，进一步提升了模型的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，采用均匀记忆采样和优化的记忆管理策略，机器人在OOD场景中的表现显著提升，达到接近最佳配置的性能。具体而言，OOD泛化能力提高了XX%，展示了ActiveArena在主动感知领域的重要价值。

🎯 应用场景

该研究的潜在应用领域包括智能机器人、自动化制造、服务机器人等，能够提升机器人在动态和复杂环境中的自主决策能力。未来，ActiveArena可能推动机器人在实际应用中的智能化水平，促进人机协作和智能化生产的实现。

📄 摘要（原文）

Active perception and manipulation are crucial for robots to interact with complex scenes. Existing benchmarks struggle to evaluate how robots effectively acquire and maintain information in memory in an active manner. To this end, we introduce ActiveArena-Sim, an active-perception simulator with controllable viewpoints and large-scale workspaces as the foundation. Built on this, we propose ActiveArena-Bench, which comprises 35 tasks across 5 fine-grained categories, covering visual exploration and interactive information acquisition. Each task is difficult to solve from passive observations alone, requiring multi-round evidence acquisition and memory-based reasoning. The benchmark provides rich memory annotations, standardized training data, and ID/OOD protocols featuring disjoint scenes, unseen distractor configurations, and novel backgrounds. Moreover, we present ActiveArena-VLA, a modular suite of 13 vision-language-action configurations for controlled studies of memory writing, memory capacity, proprioceptive state, subtask supervision, and high-level planning in active perception. Benchmark results reveal a substantial ID-OOD gap: uniform memory sampling, increased memory capacity under reliable write policies, proprioceptive inputs, and subtask supervision improve OOD generalization, while planner-guided memory management and decision-making achieve performance close to the best-performing configuration using only sparse memory. ActiveArena thus provides a unified testbed to develop and diagnose models for active perception and manipulation.