KinDER: A Physical Reasoning Benchmark for Robot Learning and Planning

Robotic systems that interact with the physical world must reason about kinematic and dynamic constraints imposed by their own embodiment, their environment, and the task at hand. We introduce KinDER, a benchmark for Kinematic and Dynamic Embodied Reasoning that targets physical reasoning challenges arising in robot learning and planning. KinDER comprises 25 procedurally generated environments, a Gymnasium-compatible Python library with parameterized skills and demonstrations, and a standardized evaluation suite with 13 implemented baselines spanning task and motion planning, imitation learning, reinforcement learning, and foundation-model-based approaches. The environments are designed to isolate five core physical reasoning challenges: basic spatial relations, nonprehensile multi-object manipulation, tool use, combinatorial geometric constraints, and dynamic constraints, disentangled from perception, language understanding, and application-specific complexity. Empirical evaluation shows that existing methods struggle to solve many of the environments, indicating substantial gaps in current approaches to physical reasoning. We additionally include real-to-sim-to-real experiments on a mobile manipulator to assess the correspondence between simulation and real-world physical interaction. KinDER is fully open-sourced and intended to enable systematic comparison across diverse paradigms for advancing physical reasoning in robotics. Website and code: https://prpl-group.com/kinder-site/

📋 한 줄 요약

**[로보틱스/물리 추론]** 로봇 학습·계획에서의 물리 추론을 평가하는 벤치마크 KinDER를 제안한다.

🎯 핵심 기여도

25개의 절차적 생성 환경과 5가지 핵심 물리 추론 챌린지를 다루는 KinDER 벤치마크 공개
TAMP, IL, RL, 파운데이션 모델 기반 13개 베이스라인을 갖춘 표준화 평가 스위트 제공
인지·언어 이해와 분리된 물리 추론 평가 환경 구축
모바일 매니퓰레이터에서의 real-to-sim-to-real 실험을 통한 시뮬-실세계 일치도 평가

💡 핵심 아이디어

공간 관계, 비파지(nonprehensile) 다물체 조작, 도구 사용, 조합적 기하 제약, 동역학 제약이라는 5가지 물리 추론 도전을 분리(disentangle)하여 평가함으로써, 기존 벤치마크에서 혼재되어 있던 인지·언어·응용 복잡도와 독립적으로 진정한 물리 추론 능력을 측정한다.

🔬 기술적 접근법

**모델/방법론**: Gymnasium 호환 Python 라이브러리 + 절차적 환경 생성기
**핵심 기법**: 매개변수화 스킬과 시연, 5가지 핵심 물리 챌린지 분리, real-to-sim-to-real 검증 프로토콜

📊 주요 결과

기존 13개 방법론(TAMP·IL·RL·파운데이션 모델)이 다수 환경에서 어려움을 겪음을 입증
현재 물리 추론 접근법의 상당한 격차 식별
시뮬-실세계 대응 관계가 모바일 매니퓰레이터에서 정량적으로 평가됨

💭 의의 및 한계

**의의**: 물리 추론을 분리해 평가할 수 있는 오픈소스 벤치마크를 통해 로봇 학습 연구의 진보를 체계적으로 측정·비교 가능하게 한다. **한계**: 25개 환경이 이산적이며 일부 실세계 시나리오(예: 변형 가능 물체, 유체)는 포함되지 않을 수 있다.

🚀 실용적 활용

로봇 학습 알고리즘의 물리 추론 능력 진단
TAMP·IL·RL·파운데이션 모델 비교 연구
실로봇 배치 전 사전 검증용 시뮬레이션 테스트베드