EmbodiedIntentBench：用任务意图衡量机器人运行时自适应能力

移动机器人感知系统面临一个根本矛盾：算力、电量和网络连接都是有限的，而任务意图——覆盖哪些区域、多快拿到证据、何时上报——却复杂多变。传统评测往往只看感知精度或执行效率，却忽略了最关键的问题：运行时决策是否真正服务于任务目标。近期提出的 EmbodiedIntentBench 试图填补这一空白，它把“任务意图”量化为可检验的契约，并将感知决策与物理执行、资源消耗因果地耦合起来。

从“看得准”到“任务成”：评测思路的转变

EmbodiedIntentBench 的核心设计，是把任务意图表示为结构化契约，涵盖覆盖范围、时间证据、上报要求、紧迫性和资源限制。这些契约不是抽象指标，而是直接约束运行时策略的“合同”。

基准将模拟的无人机（UAV）工作负载与因果的、资源可核算的执行过程绑定。计算决策会直接影响任务时间、资源消耗，以及哪些观测能成为有效证据。这意味着，一个感知策略即便在单帧识别上表现优异，也可能因为拖慢飞行节奏或耗尽电量而导致任务失败。评测的落脚点因此从“感知准确率”转向“任务完成度”。

高召回配置反而完不成任务

基准中最有说服力的发现来自多阶段 Depot 研究。一个在可见目标观测上达到 87.5% 全库目标召回的配置，在 16 次任务中只完成了 1 次；而一个召回率更低的配置，却完成了 14 次。

这个反直觉的结果说明，高召回往往意味着更高的计算开销和更慢的响应，进而挤占飞行时间、压缩观测窗口，最终让任务无法闭环。如果只看召回率，部署者会毫不犹豫地选择前者，但真实任务表现却截然相反。基准的价值正在于揭露这种“指标幻觉”。

忽略观测损失会颠倒策略排序

在消融实验中，研究者发现：如果忽略执行过程引起的观测损失，总体任务成功率会被高估，并且两个运行时策略的排序会发生反转。

这个结果触及评测方法论的要害。机器人在移动中会错过观测机会，计算延迟会改变飞行轨迹，进而改变能看到什么。把这些因果链条排除在评测之外，得到的结论不仅失真，甚至可能把差策略排到好策略前面。EmbodiedIntentBench 把执行-induced 的观测损失纳入核算，才让策略比较具备实际参考意义。

硬件配置改变本地与远程策略的相对优劣

同一套策略在不同硬件上可能表现迥异。基准使用 Jetson AGX Orin 的 CPU 和 GPU 配置回放，结果显示本地策略与远程策略的相对成功率会随配置变化。

这提醒工程团队：运行时策略不能脱离部署平台来评价。GPU 加速下本地推理可能更划算，而 CPU 受限时远程卸载可能更稳。在部分 Jetson GPU 配置的回放中，意图驱动的自适应在任务成功率不变的前提下，将建模的任务能耗降低了最多 28%。这个数字的意义不在于省电本身，而在于说明自适应策略可以在不牺牲任务完成度的前提下优化资源。

对机器人系统设计的启示

EmbodiedIntentBench 的贡献不只是一个排行榜，而是一个可扩展的框架：用任务意图契约来评估运行时决策在物理与资源约束下的表现。

对系统设计者而言，至少有三点可操作的方向。其一，把任务意图显式建模为契约，而不是埋在奖励函数里，能让策略更容易对齐真实目标。其二，评测必须包含执行引起的观测损失，否则策略排序不可信。其三，硬件剖面应作为评测变量，而不是部署后的意外。

随着移动机器人从演示走向常态化任务，衡量“是否完成任务”比衡量“单帧是否准确”更接近部署现实。EmbodiedIntentBench 提供了一个值得关注的评测范式。