AstroBench: Benchmarking Free-Floating Capture and Space Robotic Manipulation
作者: Zizhe Wang, Jia Deng, Xin Lu, Zehao Jia, Yi Huang, Yao Zhu
分类: cs.RO
发布日期: 2026-10-22
备注: 12 pages, 5 figures, 9 tables. Code and assets: https://github.com/AstroUpLab/AstroBench ; project website: https://astroup.com/astrobench/
🔗 代码/项目: GITHUB
💡 一句话要点
提出AstroBench以解决太空机器人抓取与操作问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自由浮动捕捉 空间机器人 基准测试 任务定义 物体实例库 机器人操作 自动化维修
📋 核心要点
- 现有方法在处理自由浮动物体的捕捉时，面临目标运动变化和接触后行为不确定性等挑战。
- AstroBench通过提供多种任务定义和丰富的物体实例，构建了一个开放的基准测试环境，专注于自由浮动捕捉与空间操作。
- 实验结果显示，特定策略在捕捉静态和动态目标方面表现优异，成功率显著高于通用策略，验证了方法的有效性。
📝 摘要（中文）
在航天器内部捕捉松散物体需要机器人接近能够平移和旋转的目标，并且在接触时目标的运动会发生变化。这些条件促使我们评估超越支持物体的操作。我们介绍了AstroBench，这是一个开放的基准测试，用于自由浮动捕捉和空间机器人操作，结合了四个初始运动轨迹和基于MELFI硬件的样本存储操作，以及基于机器人加油任务的盖子和螺钉服务。该基准提供了九个任务定义和29个任务目标组合，并通过过滤的Objaverse库存提供了8414个物体实例用于资产扩展。我们报告了两个以获取为重点的实验，结果显示针对特定任务的捕捉行为成功，而通用检查点的直接转移存在困难。
🔬 方法详解
问题定义：本论文旨在解决在航天器内部捕捉自由浮动物体的挑战，现有方法在处理目标运动变化和接触后的行为时存在不足，导致捕捉成功率低下。
核心思路：论文提出AstroBench基准，通过结合多种任务和丰富的物体实例，提供一个全面的评估框架，以支持自由浮动捕捉和空间机器人操作的研究。
技术框架：AstroBench的整体架构包括任务定义模块、物体实例库和实验记录系统。任务定义模块涵盖了多种操作场景，物体实例库提供了丰富的抓取对象，实验记录系统则用于记录每次实验的观察和结果。
关键创新：AstroBench的主要创新在于其开放性和多样性，提供了多达29个任务目标组合和8414个物体实例，显著丰富了现有的机器人操作基准测试。
关键设计：在实验中使用了冻结的$π_{0.5}$ DROID关节位置策略和特定于立方体的ACT策略，分别在静态和动态目标捕捉中取得了不同的成功率，展示了任务特定策略的有效性。实验记录了观察、动作和捕捉配置，为后续研究提供了数据支持。
🖼️ 关键图片
📊 实验亮点
实验结果显示，使用冻结的$π_{0.5}$ DROID策略在200个静态目标中成功捕捉2个，动态目标中成功捕捉4个，而使用立方体特定的ACT策略在静态目标中成功捕捉8个，动态目标中成功捕捉6个，验证了任务特定策略的有效性。
🎯 应用场景
该研究的潜在应用领域包括航天器内部的物体捕捉、空间机器人操作和自动化维修等。通过提供一个标准化的评估基准，AstroBench可以促进相关技术的发展，提高机器人在复杂环境中的操作能力，未来可能在太空探索和卫星维修等领域发挥重要作用。
📄 摘要（原文）
Capturing a loose object inside a spacecraft requires a robot to approach a target that can translate and rotate, and whose motion changes when contact is made. These conditions motivate evaluation beyond manipulation of supported objects. We introduce AstroBench, an open benchmark for free-floating capture and space robotic manipulation with a fixed-base arm. The task suite combines four initial-motion tracks with sample-storage operations based on MELFI hardware and cap and captive-screw servicing based on the Robotic Refueling Mission. The two workcells provide nine task definitions and 29 task-target combinations. A metadata-filtered Objaverse inventory supplies 8,414 object instances for asset expansion, alongside five cabin visual contexts and versioned task instructions. We report two acquisition-focused experiments using existing checkpoints. A frozen $π_{0.5}$ DROID joint-position policy captures 2 of 200 static targets and 4 of 200 moving targets across twenty object identities. A cube-specific ACT policy captures 8 of 10 static targets and 6 of 10 moving targets in a separate experiment. Each experiment retains its recorded observation, action and capture configuration. The results document difficult direct transfer for the tested generalist checkpoint and successful task-specific capture behavior, while identifying concrete settings for studying motion-aware perception and contact-sensitive control. Code, task definitions and editable workcell assets are available at https://github.com/AstroUpLab/AstroBench.