内容摘要
机器人操作策略若走人机迁移（H2R，即用人类视频加少量机器人示教来训练机器人策略）这条路，横向比较一直很难：现有方法各用各的任务、场景和机器人示教量，方法差异与数据效率差异被混在一起，而真机评测又贵、耗时、难以大规模复现。这篇论文提出 H2RBench：把真实工作台重建为仿真环境，所有方法用同一批真实人类视频加仿真机器人示教训练，固定机器人示教量、只改变人类视频数量，以此回答“多给人类数据到底有没有用”。
基准含四个桌面操作任务：杯子放盘子、叠碗、甜甜圈插销钉、积木入盒；机器人示教固定为 40 或 100 条，人类示教最多用到 100 或 300 条。场景在 NVIDIA Isaac Lab 上重建，作者用 Marble 替代原 PolaRiS 流程生成网格与高斯泼溅表示。评测把任务拆成若干累积阶段，报告各阶段平均的任务推进度 Prog. 与末阶段成功率 SR，每组方法-任务配置跑 90 次随机 rollout、3 个种子。
作者报告 GHOST 跨任务最强且最稳定（拾取放置 Prog 91.1、SR 82.2，叠碗 88.9/76.7）。人类示教在拾取放置上稳定加分、叠碗有益，说明现有方法主要迁移高层空间意图；插入任务常常变差，积木入盒这类长序列操作收益有限，误差在重复交互中不断累积。
仿真排序基本能预测真机：机器人加最多人类示教时 Pearson r=0.894、Spearman ρ=0.851、逐任务 MMRV 均值 0.060，只用机器人示教时 r=0.971、ρ=0.940、MMRV=0.014；偏差集中在叠碗（该任务 MMRV 升到 0.171）。
点评
对机器人本体软件开发者，这是一套把“哪种人机迁移方法、人类视频给多少”放进同一套可重复仿真实验的协议，也提示了一份“哪些行为能迁移、哪些不能”的清单——人类视频主要改善高层空间意图类行为，接触密集的插入等任务甚至会变差；不同方法随人类数据量变化的曲线差异又说明，加数据的收益强烈依赖任务结构和该方法跨越形态差异的策略。
证据身份：仅有一篇作者自评的 arXiv 预印本，全部数字均为作者自报，本次材料中未见第三方独立复现，也无独立来源交叉验证；基准只覆盖桌面刚性物体与四个任务，不含可变形物体、铰接物体和双臂协同；真实人类示教在受控第三人称机位采集，未含第一视角或野外视频；仿真重建的物理保真度有限，叠碗这类精确任务的仿真-真机一致性最弱；相关系数与 MMRV 只在四个方法、四个任务、每种训练条件下 16 个方法-任务组合上统计，样本量有限；所有方法均使用其原论文推荐的默认超参，并按需做最小改动以适配该基准的观测模态。
版本与核查范围
版本 2609.24778v3 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #S1.p2.1；#S3.SS1.p1.1；#S3.T2.2.1；#S3.SS3.p1.1；#S5.SS1.p1.1；#S5.SS1.p4.1；#S5.T3.6.1；#S5.SS1.p5.1；#S5.SS2.p2.1；#A4.T14.2.1；#A4.T13.2；#S6.p1.1