新智元报道
编辑：LRST 好困
基于虚幻引擎5，清华大学构建了一个真实、动态、开放的具身智能平台 EmbodiedCity，用于评估和研究具身智能在复杂城市场景中的应用；该平台提供在线接入和离线运行两种使用方式，支持多模态场景理解、问答、对话、导航和任务规划等一系列具身智能任务。
具身智能被视为当前人工智能领域最具潜力的方向之一，重点关注智能体感知、学习和与环境动态交互的能力。
近年来，具身智能发展迅猛，在多个领域取得突破进展。然而，当前大多数具身智能研究聚焦于有限环境如室内场景中，针对城市级别开放真实世界场景的探索较为匮乏，急需构建相应的模拟平台和基准测试集。
近日，清华大学城市科学与计算研究中心开放发布基于虚幻引擎 5 的城市具身智能模拟环境 EmbodiedCity，基于真实城市开放场景打造 3D 城市环境，并进一步针对不同维度和水平的开放空间具身智能能力，构建相应的任务集和数据集，可支撑真实开放空间具身智能的多类研究任务。
官方网站：https://embodied-city.fiblab.net/
开发文档：https://github.com/tsinghua-fib-lab/EmbodiedCity
该平台提供离线运行和在线接入两种方式，既可以下载在不同操作系统本地环境运行，也可以访问智能体在线平台，基于 Python SDK 调用开发智能体，在平台网页直接编程使用。
EmbodiedCity 模拟环境
EmbodiedCity 以北京市国贸区域的真实道路和建筑布局为基础，结合人流和车流的真实数据与模拟算法，基于虚幻引擎5（Unreal Engine 5）构建了一个真实、动态、开放的城市具身环境。
环境中主要包含以下元素：
（1）街道：机动车/非机动车道、十字路口、交通信号灯和人行道，街道布局合理多样。
（2）建筑物：办公楼、购物中心、住宅小区等，细粒度建模还原真实建筑。
（3）其他元素：长椅、路灯、植被以及动态的车辆和行人，城市场景充满活力。
城市具身智能任务基准测试集
为充分探索开放环境具身智能体的感知、推理和决策能力，EmbodiedCity 构建了一系列评测任务，既包括代表性的具身任务，涵盖行人模拟、车流模拟、场景理解、问答、对话、导航和规划，也支撑传统的感知、预测、决策等任务。
其中，针对开放空间具身智能构建的任务集如下：
1. 跨模态场景理解：智能体观察环境元素并给出准确描述，通过在同一位置从不同角度观察，生成一组 RGB 图像作为输入，得到相应的文本描述。
2. 跨模态问答：在具身场景理解的基础上，智能体接收有关环境语义和空间信息的自然语言问询，例如，「场景中有多少个建筑？」以及「在当前视角下A建筑是否在B建筑的左边？」输入包括第一视角的 RGB 图像和有关环境的问题，对问题进行直接文本回答。
3. 多轮对话：具身对话涉及智能体与用户之间的持续互动，需要维持上下文和理解对话流。例如，「后方中有多少棵树？-> 它们分别是什么颜色的？」任务的输入包括具身观察和多轮查询，得到多轮响应。
4. 具身导航/搜索：智能体根据自然语言指令在环境中进行具身导航，输入结合了视觉感知和自然语言指令，以引导智能体通过复杂环境进行实时感知、推理、决策。任务输出是环境中的行动序列。
5. 任务规划：智能体需要能够将复杂且长期的具身任务目标拆分为多个子任务，例如，「我需要去便利店购物，但我不知道怎么走，应该怎么做？」输入包括第一视角的观察和自然语言描述的任务目标，输出是智能体所规划、拆解的一系列子任务。
6. 个体行为模拟：对于行人、车辆、无人机等不同类型的智能体，需要基于第一视角的观察和当前任务规划，生成与真实个体类似、符合真实个体规律和模式的行为与动作，该任务依赖于上述任务所体现的开放世界中的感知、规划、决策等具身智能能力。
平台使用方法
EmbodiedCity 同时提供在线使用和离线运行两种智能体部署方式。
1. 在线使用
用户可以通过在平台官方网站（embodied-city.fiblab.net）申请 API Key，获得授权后即可控制接管已经实时在线部署的智能体。在线平台提供键盘控制和指令控制等多种智能体操作方式，用户可以在网页以第一视角游览城市环境。平台还提供了完善的智能体控制 Python SDK 以供调用开发，用户可以在平台网页直接编程使用。
2. 离线运行
用户可以下载离线模拟环境，在本地部署后进行智能体的训练和测试，平台提供适用于 Windows、Linux、macOS 等不同类型操作系统的相应版本，方便模拟环境的快速部署和测试。
参考资料：
