LIBERO

Benchmark per l'apprendimento robotico permanente con 130 compiti procedurali

Licenza

MIT

Panoramica

Un benchmark per l'apprendimento robotico permanente con 130 compiti generati proceduralmente nei domini manipolazione, spaziale, oggetti e obiettivi. Costruito sulla simulazione fisica MuJoCo, con protocolli di valutazione standardizzati per la ricerca sul trasferimento di conoscenza e sull'apprendimento continuo.

LIBERO è una suite di benchmark completa pensata per valutare e far progredire le capacità di apprendimento robotico permanente attraverso una raccolta diversificata di 130 compiti di manipolazione generati proceduralmente. Il benchmark affronta la sfida cruciale di permettere ai robot di acquisire continuamente nuove abilità mantenendo i comportamenti appresi in precedenza, e organizza i compiti in quattro suite: LIBERO-Spatial, LIBERO-Object, LIBERO-Goal e LIBERO-100. Costruito sul motore fisico MuJoCo, LIBERO offre un ambiente di simulazione standardizzato con protocolli di valutazione coerenti, che consentono confronti riproducibili tra diversi algoritmi di apprendimento. Il sistema di generazione procedurale garantisce la varietà dei compiti mantenendo una progressione della difficoltà controllabile, così i ricercatori possono studiare in modo sistematico come i robot accumulano conoscenza su lunghi periodi di apprendimento.

Perché è importante

LIBERO è il primo benchmark completo pensato specificamente per l'apprendimento robotico permanente. Con 130 compiti generati proceduralmente in quattro domini, fornisce la valutazione standardizzata necessaria per far progredire l'apprendimento continuo e permanente nella manipolazione.

Il problema che risolve

I robot impiegati nel mondo reale devono imparare continuamente nuovi compiti senza dimenticare le abilità precedenti. LIBERO fornisce un benchmark standardizzato per misurare se gli algoritmi di apprendimento riescono davvero a ottenere un apprendimento permanente nella manipolazione.

Punti chiave

• 130 compiti di manipolazione generati proceduralmente in 4 domini
• Pensato specificamente per valutare l'apprendimento permanente e continuo
• I domini coprono manipolazione spaziale, di oggetti, orientata agli obiettivi e a lungo orizzonte
• Costruito su MuJoCo con protocolli di valutazione standardizzati
• Verifica se gli agenti sanno imparare nuovi compiti senza dimenticare quelli vecchi

A chi si rivolge

• Ricercatori di apprendimento continuo e permanente per la robotica
• Team che costruiscono policy di manipolazione adattive
• Sviluppatori che valutano l'oblio catastrofico nelle policy robotiche
• Studenti che studiano il transfer learning nella manipolazione

Limiti

• Solo ambiente simulato: nessuna valutazione del trasferimento su robot reali
• I compiti basati su MuJoCo possono non rispecchiare la complessità del mondo reale
• La generazione procedurale può produrre compiti che sembrano simili
• Concentrato sulla manipolazione: nessun compito di locomozione o navigazione