商超大模型机器人聚焦三个关键模块：程序化商店与动态消耗模拟（环境构建）、海量资产与几何物理优化（底层加速）、长程任务与基准评测体系

商超大模型机器人把具身智能大模型从“温馨的桌面实验室”拉进了“硬核的商超前线”。它不仅是一套测试集，更是一个揭示当前大模型在复杂拥挤空间中有多“笨拙”的照妖镜。

商超大模型机器人的核心设计围绕如何高效、逼真地在仿真器中复现一个极度拥挤且充满变数的零售商超环境。其实现聚焦三个关键模块：程序化商店与动态消耗模拟（环境构建）、海量资产与几何物理优化（底层加速）、长程任务与基准评测体系（验证闭环）。

关键模块一：程序化“暗店”环境生成

这个模块要解决的，是“如何源源不断地生成不重样的复杂超市”。

1、动态陈列与货架消耗 (Shelf Depletion) ：真实的超市货架不是永远填满的，商品会被不断拿走。如图 3 所示，仿真器不仅能程序化地排列商品，还能模拟随时间推移商品被拿走后的“缺货（Depletion）”状态，这迫使机器人需要学会在散乱、非规则排列的物品中进行目标识别和抓取，极大提升了任务的随机性和真实感。

2、物理材质与光影多样性：如图 5 所示，管线内置了多种天花板、墙壁和地板的高质量纹理，结合不同的光照条件，确保生成的每一家“暗店”在视觉分布上都有所区别，从而强化模型视觉特征提取的泛化能力。

关键模块二：海量资产与几何物理优化

解决“成千上万个商品导致的物理碰撞计算爆炸”问题。

1、丰富的高保真 3D 资产：如图 4 所示，团队收集并清理了海量的日常杂货、食品包装等商品 3D 资产，这些物品在形状、尺寸和抓取难度上各不相同。

2、几何近似与物理加速 (Geometry Approximation) ：这是保证该基准测试可用性的核心工程 Trick。

由于货架上的商品极其密集，使用原始的复杂三角网格计算碰撞会导致极高的延迟。如图 6 和图 7 所示，系统为每一个高精模型生成了高度简化的凸包几何体（Convex Hull / Simplified Geometries）。在渲染时，相机看到的是精美的原始网格；但在物理引擎计算碰撞时，使用的是这些极简模型。

3、极致的性能跨越：图 10 的仿真时间对比有力地证明了这一点。当场景中货架和商品数量激增时，使用了优化网格的场景（蓝色柱）其仿真速度比使用原始网格（红色柱）快了三倍以上，出色解决了大规模复杂拥挤环境仿真的算力瓶颈。

关键模块三：任务锚点规划与大模型“水土不服”验证

验证目前在桌面任务上大杀四方的通用大模型，在这个新基准里有多脆弱。

1、启发式锚点姿态 (Anchor Poses) ：为了在拥挤的货架中自动化生成专家的示范轨迹，如图 8 所示，运动规划器（Motion Planner）利用商品附近的启发式锚点姿态，引导机械臂避开货架层板的遮挡，成功规划出在逼仄空间内的安全抓取和放置路径。

2、视觉输入与模型评测：如图 9 所示，系统会提取多视角的相机画面（包括头D、腕部等）输入给模型。实验结果令人警醒：目前许多号称能够泛化通用任务的 SOTA 具身大模型，在 RoboBenchMart 中面对货架上的密集商品时，由于缺乏对深度和高度空间几何的理解，极易发生碰撞或抓空，这揭示了现有模型在感知拥挤三维环境时的致命缺陷。