新基准显示现有VLM碰撞接地能力仍不可靠。
资讯摘要
论文提出“碰撞接地”概念，指视觉语言模型需将视觉观察与机器人本体几何、相机视角、场景布局、人员距离和时序运动结合，判断当前及即将发生的接触。作者在Habitat 3.0中构建TouchSafeBench基准，含2,940个室内共处模拟片段，覆盖社交导航与社交重排，提供多视角RGB-D、俯视轨迹图、标定相机元数据及模拟器接触标签，并设置当前安全状态分类与接触前预警两项任务。
要点速读
- TouchSafeBench包含2,940个模拟室内共处片段，覆盖社交导航和社交重排两类场景。
- 作者测试三个前沿或机器人导向VLM及九种视觉表示，最佳平均Macro-F1仍低于50%。
- 作者报告显式深度信息未被自动转化为机器人本体碰撞证据，机器人-场景接触比人员接触风险更难判断。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。