当前视觉-语言-动作（VLA）基准测试主要评估的是孤立的操作技能，在很大程度上忽略了人机交互结构的建模。然而，现实世界中的协作从根本上要求在共享代理下进行协调，包括意图理解、时间同步、协议遵守以及在动态环境中的安全交互。为了弥补这一空白，研究团队推出了HRIBench——一个基于可执行交互场景的意图感知人机协作诊断基准。
HRIBench将协作任务表示为结构化的场景脚本，明确建模代理角色、时间依赖、协调约束和人类行为分布。基于这一抽象，该基准定义了三种代表性交互角色：指示者（Instructor）、协作者（Collaborator）和干扰者（Intruder），分别涵盖意图沟通、联合协调和人类干预下的鲁棒性。基准包含13个角色条件化任务，通过多样化的交互轨迹和场景变化生成了超过650个评估回合。
除了二元的任务成功率，HRIBench引入了可解释的交互中心指标，包括同步性、响应性、协议合规性和安全性。研究团队在统一协议下评估了基于GR00T、pi0.5和ACT的适应策略。结果表明，尽管现有基础机器人策略具备强大的操作能力，但在协作环境中表现挣扎，暴露出时间协调和意图感知行为的重大局限。而在HRIBench上进行微调后，这些策略的协作性能得到持续提升。
在真实世界迁移研究中，HRIBench生成的仿真数据将GR00T N1.5的物理任务成功率从0.10提升至0.43，充分证明了该基准在推动以交互为中心的机器人学习方面的价值。