外观
这套数据集的采集方式、多模态结构、存储格式与适用任务。
LIBERO-plus 是用于视觉-语言-动作(VLA)模型鲁棒性分析的官方实现和基准,面向机器人开发者提供可替换原始 LIBERO 的评测环境。该基准包含 10,030 个任务,覆盖物体布局、相机视角、机器人初始状态、语言指令、光照条件、背景纹理和传感器噪声七类扰动,用于系统暴露 VLA 模型在不同扰动维度下的脆弱性。
仓库给出了多个 VLA 模型的评测结果,包括 OpenVLA 及其 OFT 变体、π₀、π₀-fast、Nora、WorldVLA、UniVLA 和 RIPT-VLA。结果中提到,模型对相机视角和机器人初始状态高度敏感,在适度扰动下性能可从 95% 降至 30% 以下;还观察到模型很大程度忽略语言指令,以及组合扰动带来的复杂交互效应。
使用方式与 LIBERO 基本一致:先移除原 LIBERO,再安装该仓库,并下载包含新物体、纹理等资源的 assets.zip 解压到指定路径。评测时方法几乎与 LIBERO 相同,主要需要将配置中的 num_trials_per_task 从 50 调整为 1。
数据规模、传感器模态、标注层级、存储格式及 Hugging Face Hub 下载热度。
暂未公开或待收录:总时长
通过 Hugging Face CLI 或 LeRobot Dataset API 直接读取帧序列与动作标签。
# 使用 Hugging Face CLI 下载数据集
huggingface-cli download Sylvest/LIBERO-plus --repo-type dataset --local-dir ./data/sylvest-libero-plus
# 在 Python / LeRobot 中加载数据集
from lerobot.common.datasets.lerobot_dataset import LeRobotDataset
dataset = LeRobotDataset("Sylvest/LIBERO-plus")
print(f"Episodes: {dataset.num_episodes}, Frames: {dataset.num_frames}")采集或适配该数据集的机器人本体,以及可在其上训练/评估的 VLA 与控制策略模型。
尚未收录关联机型或引用它的模型。
本页事实对应的公开页面,以原文为准。