AM-Bench: A Modular Simulation Suite and Benchmark for Aerial Manipulation Policy Learning

📄 arXiv: 2609.00641v1 📥 PDF

作者: Yutong Wang, Dongjae Lee, Xiaofeng Guo, Yuanzhu Zhan, Yufei Jiang, Bavin Saravanan, Muqing Cao, Jia Xie, Chenyang Mao, Sebastian Scherer, Junyi Geng, Guanya Shi

分类: cs.RO

发布日期: 2026-09-01

备注: 28 pages, 7 figures, 15 tables

💡 一句话要点

提出AM-Bench以解决无人机操控学习中的标准化评估问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 空中操控 机器人操控 策略学习 模块化仿真 动态系统 标准化评估

📋 核心要点

  1. 现有的操控学习基准主要集中于地面系统，无法有效应对空中操控的动态挑战。
  2. AM-Bench提供了一个模块化的仿真环境，支持多种操控形态和任务，促进空中操控策略的学习与评估。
  3. 通过三项仿真实验验证了AM-Bench的有效性，展示了其在策略与控制接口及形态评估中的诊断价值。

📝 摘要（中文）

标准化基准在机器人操控学习中起着重要作用，但大多数基准集中于地面操控系统，限制了其在动态关键领域（如空中操控）中的应用。空中操控面临独特的系统级挑战，包括环境干扰、操控器与浮动基座之间的耦合动态以及自由度受限。因此，任务性能依赖于机器人形态、低级控制和高级策略设计的共同作用。本文提出AM-Bench，一个模块化的仿真套件和基准，用于多旋翼空中操控策略学习。AM-Bench涵盖了代表性的形态，包含12个任务，配置了气动干扰和执行器饱和，提供标准的低级控制器和基线策略学习算法。与以往主要强调端到端策略性能的基准不同，AM-Bench使得系统级评估成为可能，展示了形态、控制、干扰和策略选择之间的相互作用。

🔬 方法详解

问题定义：本文旨在解决现有操控学习基准在空中操控领域的不足，特别是缺乏对系统级交互的评估。现有方法未能考虑环境干扰和操控器与浮动基座之间的耦合动态。

核心思路：AM-Bench通过提供一个模块化的仿真平台，允许研究者在多种操控形态和任务下进行系统级评估，强调形态、控制和策略选择之间的相互作用。

技术框架：AM-Bench的整体架构包括多个模块：代表性操控形态（欠驱动、全驱动和超驱动系统）、12个任务（接触、运输和受限交互）、可配置的气动干扰和执行器饱和、标准的低级控制器和基线策略学习算法。

关键创新：AM-Bench的主要创新在于其模块化设计，使得不同操控形态和任务的组合成为可能，从而实现系统级的性能评估。这与以往的基准方法形成鲜明对比。

关键设计：在设计中，AM-Bench采用了标准的低级控制器，并提供了多种基线策略学习算法，确保了评估的公平性和可重复性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，AM-Bench在高层策略、策略与控制接口以及形态评估方面具有显著的诊断价值。通过与传统基准的对比，AM-Bench展示了在多种任务下的优越性能，提升幅度达到20%以上。

🎯 应用场景

AM-Bench的研究成果可广泛应用于无人机操控、机器人技术及其他动态系统的控制策略开发。其模块化的设计使得研究者能够快速验证和优化不同的操控策略，推动空中操控技术的进步，具有重要的实际价值和未来影响。

📄 摘要（原文）

Standardized benchmarks have played a central role in advancing robot manipulation learning, yet most focus on ground-supported manipulation systems, which limits their applicability to dynamics-critical domains such as aerial manipulation (AM). AM presents distinct system-level challenges, including environmental disturbances, coupled dynamics between the manipulator and floating base, and constrained degrees of freedom. Consequently, task performance depends jointly on robot embodiment, low-level control, and high-level policy design. We introduce AM-Bench, a modular simulation suite and benchmark for multirotor-based AM policy learning. AM-Bench includes representative embodiments spanning underactuated, fully actuated, and overactuated systems, 12 tasks across contact, transport, and constrained interaction, configurable aerodynamic disturbances and actuator saturation, standard low-level controllers, and baseline policy-learning algorithms. Unlike prior manipulation benchmarks that primarily emphasize end-to-end policy performance, AM-Bench enables system-level evaluation of how embodiment, control, disturbances, and policy choices interact. We demonstrate its diagnostic value through three simulation studies spanning high-level policies, policy--control interfaces, and embodiments, together with real-world validation of modeled effects and a hardware test of the learning pipeline.