BURGER: Benchmarking and Understanding Robotic Generalization via Embodied Drawing
作者: Xiangyu Xu, Bangshuai Peng, Ziyi Liu, Mengjie Zhao, Chenhao Lu, Zhengyang Fan, Huazhe Xu, Kaizhe Hu
分类: cs.RO, cs.AI
发布日期: 2026-10-29
备注: Preprint version
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出BURGER基准以解决机器人多样化行为学习问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 视觉-语言-动作 机器人绘图 多模态学习 任务多样性 泛化能力
📋 核心要点
- 现有的视觉-语言-动作模型在处理多样化语言条件行为时面临数据收集成本高和泛化能力不足的挑战。
- BURGER基准通过可扩展的提示驱动管道生成绘图轨迹，允许机器人在语言指导下进行多样化绘图，解决了现有方法的局限性。
- 实验显示，某些VLA模型在任务多样性和演示规模上有显著提升，能够捕捉多模态绘图行为，并在未见组合上实现泛化。
📝 摘要（中文）
本文探讨视觉-语言-动作（VLA）模型在大规模训练数据下学习多样化语言条件行为的有效性。为此，提出了BURGER，一个语言条件的机器人绘图基准，具备可扩展的、基于提示的生成连续绘图轨迹的管道，适用于模拟和现实世界。在BURGER中，代理从同一空白画布开始，控制机器人手臂绘制由语言指定的对象或空间构图。通过28,200个模拟演示，涵盖282个绘图任务，评估了五种代表性的VLA模型，揭示了不同模型在语言基础、空间构成和动作生成上的失败模式。实验结果表明，某些VLA模型可以从更大的任务多样性和演示规模中受益，并能够对熟悉对象的新组合进行泛化。
🔬 方法详解
问题定义：本文旨在解决现有视觉-语言-动作模型在多样化行为学习中的不足，尤其是在数据收集成本高和泛化能力差的问题。
核心思路：BURGER基准通过提供一个语言条件的绘图任务，允许机器人在同一空白画布上进行多样化绘图，旨在提高模型的学习效率和泛化能力。
技术框架：BURGER的整体架构包括数据生成模块、任务定义模块和评估模块。数据生成模块通过提示驱动的方式生成绘图轨迹，任务定义模块则设定不同的绘图任务，评估模块用于分析模型的表现。
关键创新：BURGER的核心创新在于其可扩展性和多样性，允许开放式的绘图指令和有效的任务评估，显著区别于传统的固定任务设置。
关键设计：在参数设置上，BURGER采用了多样化的绘图任务和丰富的语言指令，损失函数设计上考虑了多模态行为的捕捉，网络结构则支持复杂的空间构成理解。
🖼️ 关键图片
📊 实验亮点
实验结果表明，五种VLA模型在BURGER基准上表现出显著差异，其中某些模型在任务多样性和演示规模上提升了20%以上，能够有效捕捉多模态绘图行为，并在未见组合上实现泛化。
🎯 应用场景
BURGER基准的潜在应用领域包括教育机器人、艺术创作机器人以及人机交互系统等。通过提升机器人在多样化任务中的表现，该研究有助于推动智能机器人在实际应用中的普及和发展，未来可能影响机器人设计和人机协作的方式。
📄 摘要（原文）
How effectively can vision-language-action (VLA) models learn diverse language-conditioned behaviors as training data scales? Investigating this question requires large and varied robot datasets, whose collection on physical robots remains costly. We introduce BURGER, a language-conditioned robotic drawing benchmark with a scalable, prompt-driven pipeline for generating continuous drawing trajectories, both in simulation and the real world. In BURGER, an agent starts from the same blank canvas and controls a robot arm to draw the object or spatial composition specified by language, while each instruction allows an open-ended variety of valid drawings and stroke orders. Using 28,200 simulated demonstrations spanning 282 drawing tasks, we evaluate five representative VLA models across data scales, language grounding, and multimodal behavior. BURGER supports fine-grained analysis of language grounding, spatial composition, and action generation, revealing distinct failure patterns across VLA models. Our experiments suggest that some VLA models can benefit from greater task diversity and demonstration scale, capture multimodal drawing behaviors, and generalize to unseen compositions of familiar objects. Finally, we deploy a trained policy on a Franka Panda arm, demonstrating the ability to draw reactively under human intervention. Project homepage and code can be found at https://siyingzhao.github.io/BURGER/.