具身智能被视为当前人工智能（AI）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， 专为多模态 大 语言模型 （M LLM） 和由大语言模型（LLM ） 赋 能 的智能体 而量身定制， 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/

论文链接：https://embodiedagentbenchmark.github.io/agent/static/article/EmbodiedCity.pdf

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。