Push-T

用圆形推头把 T 形块推到目标位姿的二维任务，常用来测模仿学习策略。

Push-T 是一个二维平面推物任务：智能体控制一个圆形推头，只能靠点接触把桌上的 T 形块推到固定的目标位置和朝向。它最早见于谷歌 2021 年的隐式行为克隆（IBC）工作，2023 年经 Diffusion Policy 改造后成为模仿学习的常用基准，Hugging Face 又把它做成了 gym-pusht 环境。任务看着简单，但要靠接触一点点调整木块姿态，而且同一状态下人往往有从左推、从右推等多种合理做法（动作多峰），很适合检验策略能否表达多峰动作分布。指标是 T 块与目标区域的重叠比例，gym-pusht 中重叠达 95% 算成功；观测可选关键点或 96×96 图像。

例子Diffusion Policy 论文在仿真 Push-T 上与 IBC、LSTM-GMM 等方法对比，并搭了真机版：用 UR5 机械臂和 136 条人类演示训练，要求更精确的多阶段推动。

也叫

PushT、推T任务、gym-pusht

相关

扩散策略、动作多峰性、模仿学习、LeRobot、非抓取操作、ALOHA 仿真任务

来源

Diffusion Policy: Visuomotor Policy Learning via Action Diffusion (arXiv 2303.04137)
huggingface/gym-pusht (GitHub)