Robot Transfer Learning Benchmark是机器人迁移学习领域的标准化评测基准，用于评估和比较不同迁移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迁移学习测试场景，包括sim-to-real迁移（将仿真中学习的策略迁移到真实机器人、动力学差异/视觉差异/接触建模差距）、跨机器人迁移（将策略从一种机器人形态迁移到另一种、运动学/动力学差异适配）、跨任务迁移（将知识从源任务迁移到目标任务、技能复用与组合）、域自适应（在不同视觉/动力学域之间迁移、无监督/半监督域自适应）、表示学习（学习可迁移的状态/视觉表示、自监督/对比学习）等，支持多种迁移学习算法（域随机化、系统辨识、残差策略、DANN、CDAN、MMD、CORAL等）和多种迁移设置（不同源域/目标域、不同迁移数据量、不同域差距）。Robot Transfer Learning Benchmark支持多种评估指标，包括迁移性能（目标域任务成功率/准确率/累积奖励/性能曲线）、迁移效率（达到目标性能所需的目标域样本数/微调步数/迁移时间）、负迁移检测（迁移后性能下降幅度/负迁移率/安全迁移保证）、跨域泛化（未见过域的性能/域泛化差距/鲁棒性）、数据效率（源域数据利用率/无监督迁移性能/标注成本降低）等，提供了标准化的评估协议和多种测试用例（包括不同仿真器、不同机器人、不同任务、不同环境）。该基准推动了机器人迁移学习技术的发展，多种经典和最新的迁移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、协作机器人、人形机器人、服务机器人等领域的迁移学习系统研究和开发中，是机器人迁移学习算法评估的标准基准之一。