LIBERO

Benchmark d'apprentissage robotique continu avec 130 tâches procédurales

Licence

MIT

Aperçu

Un benchmark pour l'apprentissage robotique tout au long de la vie avec 130 tâches générées de manière procédurale dans les domaines de manipulation, spatial, objet et objectif. Construit sur la simulation physique MuJoCo avec des protocoles d'évaluation standardisés pour la recherche sur le transfert de connaissances et l'apprentissage continu.

LIBERO est une suite de benchmarks complète conçue pour évaluer et faire progresser les capacités d'apprentissage tout au long de la vie des robots, à travers une collection diversifiée de 130 tâches de manipulation générées de manière procédurale. Le benchmark s'attaque au défi majeur consistant à permettre aux robots d'acquérir continuellement de nouvelles compétences tout en conservant les comportements appris auparavant, en organisant les tâches en quatre suites : LIBERO-Spatial, LIBERO-Object, LIBERO-Goal et LIBERO-100. Reposant sur le moteur physique MuJoCo, LIBERO fournit un environnement de simulation standardisé avec des protocoles d'évaluation cohérents, permettant des comparaisons reproductibles entre différents algorithmes d'apprentissage. Le système de génération procédurale garantit la diversité des tâches tout en maintenant une progression de difficulté contrôlable, ce qui permet aux chercheurs d'étudier systématiquement comment les robots peuvent accumuler des connaissances sur de longues périodes d'apprentissage.

Pourquoi c'est important

LIBERO est le premier benchmark complet conçu spécifiquement pour l'apprentissage robotique tout au long de la vie. Avec 130 tâches générées de manière procédurale dans quatre domaines, il fournit l'évaluation standardisée nécessaire pour faire progresser l'apprentissage continu et tout au long de la vie en manipulation.

Le problème résolu

Les robots déployés dans le monde réel doivent apprendre en continu de nouvelles tâches sans oublier leurs compétences antérieures. LIBERO fournit un benchmark standardisé pour mesurer si les algorithmes d'apprentissage parviennent réellement à un apprentissage tout au long de la vie en manipulation.

Points clés

• 130 tâches de manipulation générées de manière procédurale dans 4 domaines
• Conçu spécifiquement pour évaluer l'apprentissage continu et tout au long de la vie
• Les domaines couvrent la manipulation spatiale, d'objets, orientée but et à long horizon
• Construit sur MuJoCo avec des protocoles d'évaluation standardisés
• Teste si les agents peuvent apprendre de nouvelles tâches sans oublier les anciennes

Pour qui

• Chercheurs en apprentissage continu et tout au long de la vie pour la robotique
• Équipes qui développent des politiques de manipulation adaptatives
• Développeurs qui évaluent l'oubli catastrophique dans les politiques robotiques
• Étudiants qui étudient l'apprentissage par transfert en manipulation

Limites

• Environnement simulé uniquement — aucune évaluation du transfert vers un robot réel
• Les tâches basées sur MuJoCo peuvent ne pas refléter la complexité du monde réel
• La génération procédurale peut produire des tâches qui semblent similaires
• Centré sur la manipulation — aucune tâche de locomotion ou de navigation