Openpi Comet: Competitie-oplossing voor de BEHAVIOR Challenge 2025
Openpi Comet: Competition Solution For 2025 BEHAVIOR Challenge
December 10, 2025
Auteurs: Junjie Bai, Yu-Wei Chao, Qizhi Chen, Jinwei Gu, Moo Jin Kim, Zhaoshuo Li, Xuan Li, Tsung-Yi Lin, Ming-Yu Liu, Nic Ma, Kaichun Mo, Delin Qu, Shangkun Sun, Hongchi Xia, Fangyin Wei, Xiaohui Zeng
cs.AI
Samenvatting
De BEHAVIOR Challenge 2025 is ontworpen om de vooruitgang in het oplossen van langetermijntaken door fysieke agentschappen in gesimuleerde omgevingen rigoureus te volgen. BEHAVIOR-1K richt zich op alledaagse huishoudelijke taken waarbij mensen het meest willen dat robots assisteren. Deze taken introduceren langetermijnuitdagingen op het gebied van mobiele manipulatie in realistische omgevingen, waardoor de kloof tussen huidig onderzoek en realistische, mensgerichte toepassingen wordt overbrugd. Dit rapport presenteert onze oplossing voor de BEHAVIOR Challenge 2025, die een zeer nipte tweede plaats behaalde en de overige inzendingen aanzienlijk overtrof. Voortbouwend op π_{0.5} richten we ons op het systematisch opbouwen van onze oplossing door de effecten van trainings-technieken en data te bestuderen. Door zorgvuldige ablatiestudies tonen we de schaalbaarheid in de pre-trainings- en post-trainingsfasen aan voor competitieve prestaties. We vatten onze praktijklessen en ontwerp-aanbevelingen samen, waarvan we hopen dat ze bruikbare inzichten zullen bieden voor de bredere embodied AI-gemeenschap bij het aanpassen van krachtige foundation-modellen aan complexe embodied scenario's.
English
The 2025 BEHAVIOR Challenge is designed to rigorously track progress toward solving long-horizon tasks by physical agents in simulated environments. BEHAVIOR-1K focuses on everyday household tasks that people most want robots to assist with and these tasks introduce long-horizon mobile manipulation challenges in realistic settings, bridging the gap between current research and real-world, human-centric applications. This report presents our solution to the 2025 BEHAVIOR Challenge in a very close 2nd place and substantially outperforms the rest of the submissions. Building on π_{0.5}, we focus on systematically building our solution by studying the effects of training techniques and data. Through careful ablations, we show the scaling power in pre-training and post-training phases for competitive performance. We summarize our practical lessons and design recommendations that we hope will provide actionable insights for the broader embodied AI community when adapting powerful foundation models to complex embodied scenarios.