商超大模型機器人把具身智能大模型從“溫馨的桌面實驗室”拉進了“硬核的商超前線”。它不僅是一套測試集，更是一個揭示當前大模型在復雜擁擠空間中有多“笨拙”的照妖鏡。

商超大模型機器人的核心設計圍繞如何高效、逼真地在仿真器中復現一個極度擁擠且充滿變數的零售商超環境。其實現聚焦三個關鍵模塊：程序化商店與動態消耗模擬（環境構建）、海量資產與幾何物理優化（底層加速）、長程任務與基準評測體系（驗證閉環）。

關鍵模塊一：程序化“暗店”環境生成

這個模塊要解決的，是“如何源源不斷地生成不重樣的復雜超市”。

1、動態陳列與貨架消耗 (Shelf Depletion) ：真實的超市貨架不是永遠填滿的，商品會被不斷拿走。如圖 3 所示，仿真器不僅能程序化地排列商品，還能模擬隨時間推移商品被拿走后的“缺貨（Depletion）”狀態，這迫使機器人需要學會在散亂、非規則排列的物品中進行目標識別和抓取，極大提升了任務的隨機性和真實感。

2、物理材質與光影多樣性：如圖 5 所示，管線內置了多種天花板、墻壁和地板的高質量紋理，結合不同的光照條件，確保生成的每一家“暗店”在視覺分布上都有所區別，從而強化模型視覺特征提取的泛化能力。

關鍵模塊二：海量資產與幾何物理優化

解決“成千上萬個商品導致的物理碰撞計算爆炸”問題。

1、豐富的高保真 3D 資產：如圖 4 所示，團隊收集并清理了海量的日常雜貨、食品包裝等商品 3D 資產，這些物品在形狀、尺寸和抓取難度上各不相同。

2、幾何近似與物理加速 (Geometry Approximation) ：這是保證該基準測試可用性的核心工程 Trick。

由于貨架上的商品極其密集，使用原始的復雜三角網格計算碰撞會導致極高的延遲。如圖 6 和圖 7 所示，系統為每一個高精模型生成了高度簡化的凸包幾何體（Convex Hull / Simplified Geometries）。在渲染時，相機看到的是精美的原始網格；但在物理引擎計算碰撞時，使用的是這些極簡模型。

3、極致的性能跨越：圖 10 的仿真時間對比有力地證明了這一點。當場景中貨架和商品數量激增時，使用了優化網格的場景（藍色柱）其仿真速度比使用原始網格（紅色柱）快了三倍以上，出色解決了大規模復雜擁擠環境仿真的算力瓶頸。

關鍵模塊三：任務錨點規劃與大模型“水土不服”驗證

驗證目前在桌面任務上大殺四方的通用大模型，在這個新基準里有多脆弱。

1、啟發式錨點姿態 (Anchor Poses) ：為了在擁擠的貨架中自動化生成專家的示范軌跡，如圖 8 所示，運動規劃器（Motion Planner）利用商品附近的啟發式錨點姿態，引導機械臂避開貨架層板的遮擋，成功規劃出在逼仄空間內的安全抓取和放置路徑。

2、視覺輸入與模型評測：如圖 9 所示，系統會提取多視角的相機畫面（包括頭D、腕部等）輸入給模型。實驗結果令人警醒：目前許多號稱能夠泛化通用任務的 SOTA 具身大模型，在 RoboBenchMart 中面對貨架上的密集商品時，由于缺乏對深度和高度空間幾何的理解，極易發生碰撞或抓空，這揭示了現有模型在感知擁擠三維環境時的致命缺陷。