Vertrieb kontaktieren
Zurück zu Datasets

LIBERO: Lebenslanges Roboternutzen

Erforschen Sie LIBERO: 130 Aufgaben, 65K Demoen über 4 lebenslanges Lernen. Laden Sie herunter, trainieren Sie OpenVLA/Diffusion Policy und Benchmark Transfer. Beginnen Sie in 10 Minuten.

Ein kuratiertes Leitfaden für LIBERO das 130-Tasks- und 65K-Demo-Benchmark, das zum kanonischen lebenslangen Bewertungsziele für das Imitieren von Lernprogrammen für die Politik der Roboternutzung geworden ist.

TL;DR

Metric Value
Task count 130 tasks across 4 suites (Spatial, Object, Goal, LIBERO-100)
Robots Franka Emika Panda (simulated via RoboSuite)
Modalities RGB (2 cameras), proprioception, gripper, language
License MIT
Size ~65,000 demonstrations, ~40 GB HDF5
Simulator RoboSuite (MuJoCo)

Was ist LIBERO?

LIBERO (Lifelong Robot Learning Benchmark) ist ein Forschungsergebnis, das vom UT Austin Robot Perception and Learning Lab eingeführt wurde, um zu untersuchen, wie Manipulationspolitik Wissen über einen kontinuierlichen Aufgabenstrom übertragen. Anstatt eine einzige Politik zu erfordern, eine feste Reihe von Demonstrationen zu merken, organisiert LIBERO 130 Aufgaben der Tabelle-Manipulation in vier lebenslangen Lernsuiten, die jeweils eine andere Transfersachse isolieren: LIBERO-Spatial variiert die Objekte-Platzierung, LIBERO-Objekt variiert die Objektidentität, LIBERO-Ziel variiert das Aufgabenziel und LIBERO-100 (geteilt in LIBERO-90 Vorunterricht plus LIBERO-10-Evaluierung) testet langhorizon-Kompositionen von Alltagsfähigkeiten.

Jede Aufgabe-Schiffe mit 50 menschlichen teleoperativen Demonstrationen, die im RoboSuite-Simulator auf einem Franka Emika Panda gesammelt wurden, produziert insgesamt etwa 65.000 Flugbahnen. Grundwahrheit Objekt- und Scene-Metadaten werden ebenfalls ausgesetzt, so dass Forscher privilegierte Informations-Basislinien, verfahrensmäßige Verallgemeinerung oder Sim-zu-Reale Verteilungsschicht studieren können.

Da der Benchmark mit RoboSuite kompatibel ist und ein Bewertungsharnes im Gym-Stil liefert, ist LIBERO zum de facto lebenslangen Lernwert für Modelle für Vision-Language-Action geworden. OpenVLA, Octo, Diffusion Policy, ACT und BC-Z veröffentlichen alle LIBERO-Nummern, was es zum schnellsten Weg macht, eine neue Politik in eine geteilte Rangliste zu platzieren.

Wie man herunterlädt und lädt

Die kanonische Verteilung ist HDF5, und es gibt auch eine modifizierte RLDS-Fork, die vom OpenVLA-Team verwendet wird. Installieren und ziehen Sie die Datensätze mit:

# Clone the benchmark code
git clone https://github.com/Lifelong-Robot-Learning/LIBERO.git
cd LIBERO && pip install -e .

# Download the HDF5 datasets (~40 GB)
python benchmark_scripts/download_libero_datasets.py --datasets libero_spatial libero_object libero_goal libero_100

# Or pull the RLDS fork used by OpenVLA / Octo
pip install datasets
python -c "from datasets import load_dataset; d = load_dataset('openvla/modified_libero_rlds', split='train'); print(d[0].keys())"

Für die Fein-Tuning-Variante steckt die RLDS-Variante direkt in die OpenVLA- und Octo-Trainingsskripte ein. Für die Bewertung verwenden Sie die versandten T1 Eingangspunkte Sie laden die Szene, spielen die Sprachanweisung wieder und erzielen Erfolg mit der ursprünglichen Aufgabenspezifischen Belohnung.

Häufige Anwendungsfälle und Paare

  • Feinabstimmung VLAs. OpenVLA und Octo veröffentlichen beide LIBERO-tuned Checkpoints die Suite ist der schnellste Weg, um zu validieren, dass eine VLA-Fine-Tune nicht katastrophal vergisst wird.
  • Diffusion Policy und ACT Baselines. Die Einstellung von 50 Demo-Per-Task entspricht gut der Diffusion- und Transformationspolitik; die Leaderboard erleichtert den Vergleich mit veröffentlichten Zahlen.
  • Forschung zur kontinuierlichen Lernleistung. Die vier Suiten sind der einzige öffentlich skalierte Benchmark für Robotermanipulation, bei dem man Vergessenheit, Weitergabe und Rückübertragung mit großen Probengrößen messen kann.
  • Verfahrensvergrößerung. Da Szenen in MuJoCo XML definiert werden, paaren die Forscher häufig LIBERO mit MimicGen oder Domänenrandomisierung, um die Gesetze der Datenskalierung zu studieren.

Benchmarks & Leaderboards

Die öffentlichen Leaderboards verfolgen die Erfolgsrate pro Suite (LIBERO-Spatial, LIBERO-Object, LIBERO-Goal, LIBERO-10) mit durchschnittlich über 500 Bewertungsergebnissen. Der aktuelle Stand der Technik liegt in der Bandbreite von 95%+ für die ersten drei Suiten und 50-60% für LIBERO-10.