RoboTwin 2.0：一个具有强域随机化的可扩展数据生成器和基准，用于鲁棒的双臂机器人操作

基于仿真的数据合成已成为增强真实世界机器人操作的强大范式。然而，由于两个挑战，现有合成数据集仍不足以支持鲁棒的双臂操作：(1) 缺乏高效、可扩展的针对新任务的数据生成方法，以及 (2) 过度简化的仿真环境未能捕捉真实世界的复杂性。我们提出了 RoboTwin 2.0，一个可扩展的仿真框架，能够自动化、大规模地生成多样化且真实的数据，并提供统一的双臂操作评估协议。我们首先构建了 RoboTwin-OD，一个大型物体库，包含 147 个类别中的 731 个实例，每个实例都标注了语义和操作相关标签。在此基础上，我们开发了一个专家数据合成流水线，结合多模态大型语言模型（MLLM）和仿真循环优化，自动生成任务级执行代码。为了改进模拟到真实世界的迁移，RoboTwin 2.0 在五个维度上引入了结构化域随机化：杂乱、光照、背景、桌面高度和语言指令，从而增强了数据多样性和策略鲁棒性。我们将此框架应用于 50 个双臂任务，涵盖五种机器人实体，并预先收集了超过 100,000 条域随机化的专家轨迹。实证结果显示，代码生成成功率提高了 10.9%，并且对新颖的真实世界场景的泛化能力有所提高。在我们数据集上进行微调的 VLA 模型在未见场景真实世界任务上实现了 367% 的相对提升（42.0% 对 9.0%），而仅通过我们的合成数据训练的零样本模型实现了 228% 的相对提升，这突显了在没有真实世界监督的情况下强大的泛化能力。我们发布了数据生成器、基准、数据集和代码，以支持鲁棒双臂操作领域的可扩展研究。