具身开发者社区

外观

教程raw.githubusercontent.com6 天前

LIBERO 安装、数据下载与评估实操流程 ​

本文按 LIBERO README 原文整理安装依赖、安装 libero 包、下载演示数据集、启动训练与单独评估的最小流程，保留原始命令和可选参数。

AI 整理
  • 仿真与训练
  • 具身模型

> 本文依据以下官方文档整理：raw.githubusercontent.com/Lifelong-Robot-Learning/LIBERO/mas。命令与版本以文档当前版本为准。

前置条件 ​

1. 创建环境并安装 LIBERO 依赖 ​

按文档要求，先创建并激活 conda 环境，然后克隆仓库、进入 LIBERO 目录，安装 requirements.txt 与指定 PyTorch 相关包。

bash
conda create -n libero python=3.8.13
conda activate libero
git clone https://github.com/Lifelong-Robot-Learning/LIBERO.git
cd LIBERO
pip install -r requirements.txt
pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu113

2. 安装 libero 包 ​

依赖安装完成后，在 LIBERO 仓库目录内安装 libero package。文档给出的安装方式是 editable 安装，便于直接使用仓库中的代码。

bash
pip install -e .

3. 下载 LIBERO 演示数据集 ​

LIBERO 提供四个 task suites 的 high-quality human teleoperation demonstrations。默认会存储在 LIBERO folder 下，并下载全部四个 datasets。

bash
python benchmark_scripts/download_libero_datasets.py

4. 按名称选择数据集或使用 HuggingFace ​

如只下载特定 dataset，DATASET 从 [libero_spatial, libero_object, libero_100, libero_goal] 中选择。也可以使用 HuggingFace 下载，并可与特定数据集选择组合。

bash
python benchmark_scripts/download_libero_datasets.py --datasets DATASET
bash
python benchmark_scripts/download_libero_datasets.py --use-huggingface
bash
python benchmark_scripts/download_libero_datasets.py --datasets DATASET --use-huggingface

5. 启动 lifelong learning 训练 ​

开始实验前，选择 BENCHMARK、POLICY 与 ALGO。文档列出的范围分别为 [LIBERO_SPATIAL, LIBERO_OBJECT, LIBERO_GOAL, LIBERO_90, LIBERO_10]、[bc_rnn_policy, bc_transformer_policy, bc_vilt_policy]、[base, er, ewc, packnet, multitask]。

bash
export CUDA_VISIBLE_DEVICES=GPU_ID && \
export MUJOCO_EGL_DEVICE_ID=GPU_ID && \
python libero/lifelong/main.py seed=SEED \
                               benchmark_name=BENCHMARK \
                               policy=POLICY \
                               lifelong=ALGO

6. 单独运行评估脚本 ​

默认情况下，policies 会在训练期间 on the fly 评估。若 GPU computing resource 有限，文档提供了单独评估 models 的脚本。

bash
python libero/lifelong/evaluate.py --benchmark BENCHMARK_NAME \
                                   --task_id TASK_ID \ 
                                   --algo ALGO_NAME \
                                   --policy POLICY_NAME \
                                   --seed SEED \
                                   --ep EPOCH \
                                   --load_task LOAD_TASK \
                                   --device_id CUDA_ID

验证是否跑通 ​

训练时 policies 默认会 on the fly 评估；也可运行 python libero/lifelong/evaluate.py 对 models separately 评估。环境当前只支持 sparse reward function，任务完成时 agent receives +1。

文档里点名的注意事项 ​

  • 默认下载数据集时，dataset will be stored under the LIBERO folder，并且 all four datasets will be downloaded。
  • DATASET 只能从 [libero_spatial, libero_object, libero_100, libero_goal] 中选择。
  • Currently, LIBERO only support sparse reward function，agent 在 task is finished 时 receives +1。
  • As sparse-reward RL is extremely hard to learn，当前 mainly focus on lifelong imitation learning。
  • 默认 policies will be evaluated on the fly during training；GPU 资源有限时可使用单独 evaluation script。

相关 SDK 条目 ​

来源

本页事实对应的公开页面，以原文为准。

  1. raw.githubusercontent.com/Lifelong-Robot-Learning/LIBERO/master/README.md访问 2026-10-22