EmbodiedIntentBench
面向移动机器人的运行时自适应能力评测基准,将任务意图量化为结构化契约,并把感知决策与物理执行、资源消耗因果耦合,以任务完成度而非感知精度作为评测落脚点
时间轴 (近 90 天)
EmbodiedIntentBench 是一个将任务意图量化为结构化契约(涵盖覆盖范围、时间证据、上报要求、紧迫性和资源限制),并将感知决策与物理执行、资源消耗因果耦合的机器人评测基准。
EmbodiedIntentBench 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,计算决策直接影响任务时间、资源消耗和有效证据。
在 EmbodiedIntentBench 的多阶段 Depot 研究中,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完成了 14 次。
在 EmbodiedIntentBench 的消融实验中,忽略执行过程引起的观测损失会导致总体任务成功率被高估,并且两个运行时策略的排序会发生反转。
EmbodiedIntentBench 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硬件配置变化。
在部分 Jetson GPU 配置的回放中,EmbodiedIntentBench 的意图驱动自适应策略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%。
全部知识事实 (6)
EmbodiedIntentBench 是一个将任务意图量化为结构化契约(涵盖覆盖范围、时间证据、上报要求、紧迫性和资源限制),并将感知决策与物理执行、资源消耗因果耦合的机器人评测基准。
50%待验证EmbodiedIntentBench 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,计算决策直接影响任务时间、资源消耗和有效证据。
50%待验证在 EmbodiedIntentBench 的多阶段 Depot 研究中,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完成了 14 次。
50%待验证在 EmbodiedIntentBench 的消融实验中,忽略执行过程引起的观测损失会导致总体任务成功率被高估,并且两个运行时策略的排序会发生反转。
50%待验证EmbodiedIntentBench 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硬件配置变化。
50%待验证在部分 Jetson GPU 配置的回放中,EmbodiedIntentBench 的意图驱动自适应策略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%。
50%