The Robot Is Not Its Description: GaugeBench for Representation Robustness in Morphology-Aware Policies
作者: Rahath Malladi, Arshia Sangwan, Rajesh K. Gupta, Tauhidur Rahman
分类: cs.RO, cs.LG
发布日期: 2026-10-06
💡 一句话要点
提出GaugeBench以解决机器人描述与行为不一致问题
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)
关键词: 机器人描述 行为鲁棒性 形态感知策略 跨实体评估 GaugeBench
📋 核心要点
- 现有的形态感知策略在跨实体评估时，通常保持机器人描述的约定不变，未能探讨描述变化对行为的影响。
- 本文提出GaugeBench，通过在物理上等效的约定下重写固定机制，评估描述变化对策略性能的影响。
- 实验结果表明，新的描述可能导致性能显著下降，轴反转的影响尤为明显，但通过特定训练可以恢复性能。
📝 摘要（中文）
机器人描述不仅仅是物理机制的规范，它还编码了关节轴方向、关节角零点及链接和关节的顺序与名称等约定。现有的形态感知策略在跨实体评估时通常保持这些约定不变，而本文探讨了在机器人保持不变的情况下，描述变化对行为的影响。GaugeBench通过在物理上等效的约定下重写固定机制，验证其物理特性和策略接口的保留，并评估相同的策略权重。结果显示，新的描述可能比新的机器人更具破坏性，且轴反转会导致性能崩溃，而关节角零点的变化几乎无害。通过跨等效轴约定训练，可以显著提高在轴反转下的保留回报。
🔬 方法详解
问题定义：本文旨在解决机器人描述变化对行为影响的问题，现有方法未能考虑描述变化带来的潜在风险，导致评估结果不准确。
核心思路：通过GaugeBench重写固定机制，保持物理等效性，评估描述变化对策略性能的影响，从而揭示描述与行为之间的关系。
技术框架：整体框架包括固定机制的重写、物理特性验证、策略接口评估和性能测试四个主要模块，确保在描述变化下的行为一致性。
关键创新：最重要的创新在于将描述变化与行为表现的关系明确分离，揭示了描述的鲁棒性与机制的鲁棒性之间的差异。
关键设计：在实验中，采用了特定的策略权重评估方法，关注轴反转、关节角零点变化和重排序等因素对性能的影响。
🖼️ 关键图片
📊 实验亮点
实验结果显示，三种MetaMorph策略在80个熟悉的机器人上得分为4030.6，但在相同机器人重新描述后仅得51.6，表明描述变化对性能的显著影响。通过训练，轴反转下的保留回报从3.6%提升至80.6%。
🎯 应用场景
该研究的潜在应用领域包括机器人控制、自动化系统和人机交互等。通过提高机器人在不同描述下的鲁棒性，可以增强其在复杂环境中的适应能力，推动智能机器人技术的实际应用与发展。
📄 摘要（原文）
A robot description does more than specify a physical mechanism: it also encodes arbitrary conventions, such as joint-axis direction, joint-angle zero, and the order and names of links and joints. Morphology-aware policies consume interfaces built from these descriptions, yet cross-embodiment evaluation typically changes the robot while keeping those conventions fixed. This leaves a simple question unanswered: does behavior survive when the robot stays fixed but its description changes? GaugeBench isolates this case by rewriting a fixed mechanism under physically equivalent conventions, verifying that its physics and policy interface are preserved, and then evaluating the same policy weights. The result is stark: three MetaMorph policies score 4030.6 on 80 familiar robots, but only 51.6 when those same robots are equivalently re-described, while 98 genuinely held-out robots score 1489.6. A new description can therefore be more damaging than a new robot. Tracing the failure reveals that axis reversal alone reproduces the collapse, joint-angle zero changes are nearly harmless, and reordering lies between them; moreover, changing joint-state and torque coordinates alone is sufficient to cause the failure, while changing description-derived features alone is not. The same phenomenon appears in ModuMorph and an unrelated PyBullet framework. Yet it is not irreversible: exact two-description transport restores the original controller, and training across equivalent axis conventions raises retained return under axis reversal from 3.6% to 80.6%. Together, these results separate mechanism robustness from representation robustness and show that cross-embodiment evaluation should test both.