Contactar Ventas
Volver a Datasets

LIBERO: Indicador de referencia de aprendizaje de robots durante toda la vida

Explore LIBERO: 130 tareas, 65K demostraciones en 4 suites de aprendizaje permanente. Descargue, entrene OpenVLA/Política de difusión y transferencia de benchmark. Comience en 10 minutos.

Una guía curada de LIBERO el índice de referencia de 130 tareas y 65K demostraciones que se ha convertido en el objetivo canónico de evaluación de aprendizaje de imitación a lo largo de la vida para las políticas de manipulación de robots.

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)

¿Qué es LIBERO?

LIBERO (Lifelong Robot Learning Benchmark) es un punto de referencia de investigación introducido por el UT Austin Robot Perception and Learning Lab para estudiar cómo las políticas de manipulación transfieren el conocimiento a través de un flujo continuo de tareas. En lugar de pedir a una única política para memorizar un conjunto fijo de demostraciones, LIBERO organiza 130 tareas de manipulación de mesa en cuatro suites de aprendizaje permanente que aislan cada uno de ellos un eje de transferencia diferente: LIBERO-Spatial varía la colocación de objetos, LIBERO-Objeto varía la identidad de objetos, LIBERO-Objetivo varía el objetivo de la tarea y LIBERO-100 (dividido en LIBERO-90 preentrenamiento más evaluación LIBERO-10) prueba composiciones de largo horizonte de habilidades cotidianas.

Cada misión se realiza con 50 demostraciones humanas teleoperadas recogidas en el simulador RoboSuite en una Franka Emika Panda, produciendo aproximadamente 65.000 trayectorias en total. Los metadatos de objetos y escenarios de la verdad de la tierra también se exponen para que los investigadores puedan estudiar líneas de base de información privilegiada, generalización procedural o cambio de distribución sim-real.

Debido a que el índice de referencia es compatible con RoboSuite y ofrece un arnés de evaluación al estilo de Gym, LIBERO se ha convertido en el objetivo de evaluación de aprendizaje permanente de facto para los modelos de acción en lenguaje de visión.

Cómo descargar y cargar

La distribución canónica es HDF5, y también hay un horquilla RLDS modificada utilizada por el equipo de OpenVLA.

# 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())"

Para ajustar la configuración, la variante RLDS se conecta directamente a los scripts de entrenamiento OpenVLA y Octo. Para la evaluación, utilice los puntos de entrada T1 enviados cargan la escena, repiten la instrucción de idioma y obtienen el éxito con la recompensa específica de la tarea original.

Casos de uso comunes y emparejamientos

  • VLAs de ajuste fino. OpenVLA y Octo publican puntos de control de ajuste LIBERO la suite es la forma más rápida de validar que un ajuste fino de VLA no es un olvido catastrófico.
  • Políticas de difusión y líneas de base de ACT. El sistema de 50 demostraciones por tarea se adapta bien a las políticas de difusión y transformador; el tablero de clasificación facilita la comparación con los números publicados.
  • ** Investigación de aprendizaje continuo.** Las cuatro suites son el único punto de referencia de manipulación de robots a escala pública donde se puede medir el olvido, la transferencia hacia adelante y la transferencia hacia atrás con grandes tamaños de muestra.
  • Aumento procedural. Debido a que las escenas se definen en MuJoCo XML, los investigadores con frecuencia emparejan LIBERO con MimicGen o aleatorización de dominio para estudiar las leyes de escala de datos.

Indicadores de referencia y tablas de clasificación

Las tablas de clasificación públicas rastrean la tasa de éxito por suite (LIBERO-Spatial, LIBERO-Object, LIBERO-Goal, LIBERO-10) promedió más de 500 implementaciones de evaluación. El estado actual del arte se encuentra en el rango de 95% + en las tres primeras suites y 50-60% en LIBERO-10.