Meta-RL Robot Benchmark是机器人元强化学习领域的标准化评测基准，用于评估和比较不同元学习算法在机器人任务中的性能。该基准提供了多种机器人元学习测试场景，包括少样本操作学习（从少量演示中学习新操作技能、快速适应新物体/新任务）、快速适应新任务（在新环境/新动力学下快速在线适应、测试时适应）、跨机器人迁移（将策略从一种机器人形态迁移到另一种、形态不变表示学习）、sim-to-real迁移（将仿真中学习的策略迁移到真实机器人、域随机化与系统辨识）、多任务元学习（在多个相关任务上进行元训练、跨任务泛化）等，支持多种元学习算法（MAML、Reptile、Meta-SGD、ProtoNet、Matching Networks等）和多种系统配置（不同任务数量、不同样本数量、不同适应步数）。Meta-RL Robot Benchmark支持多种评估指标，包括少样本性能（N-shot任务成功率/累积奖励/性能曲线）、适应速度（达到目标性能所需的样本数/梯度步数/适应时间）、跨任务泛化（未见过任务的性能/泛化差距）、样本效率（元训练样本数/任务数/总交互次数）、计算效率（元训练时间/适应时间/内存占用）等，提供了标准化的评估协议和多种测试用例。该基准推动了机器人元学习技术的发展，多种经典和最新的元学习算法都在该基准上进行了评估和对比。该基准被广泛应用于工业机器人、服务机器人、人形机器人、无人机等领域的元学习系统研究和开发中，是机器人元学习算法评估的标准基准之一。