LIBERO-10-R

LIBERO-10-R为LIBERO-10添加了OOD场景和新的行为组合任务，包括20个视觉OOD场景和13个新的行为组合任务，总共43个任务。在视觉OOD中，10个任务添加或替换了分散注意力的对象；10个任务改变了背景和视角。LIBERO-10-R extends LIBERO-10 with out-of-distribution (OOD) scenarios and novel behavioral composite tasks, including 20 visual OOD scenarios and 13 new behavioral composite tasks, totaling 43 tasks. Among these visual OOD scenarios, 10 tasks add or replace distracting objects, while the other 10 modify the backgrounds and viewpoints.

原始信息汇总

LIBERO-10-R 数据集概述

数据集简介

LIBERO-10-R 在 LIBERO-10 的基础上增加了分布外（OOD）场景以及结合了来自 LIBERO-100 的短视距任务的新行为组合任务。该数据集是原始 LIBERO 基准的扩展。

核心内容

• OOD 场景：包含 20 个视觉 OOD 场景，其中 10 个添加或替换了干扰物体，另外 10 个改变了背景和视角。
• 新行为组合任务：包含 13 个新颖的行为组合任务。
• 任务总数：LIBERO-10 任务套件中共计 43 个任务。
• 任务文件位置：位于 libero/libero/bddl_files/libero_10/ 目录中。

相关研究

详细内容请参阅论文：Yilin Wu, Anqi Li, Tucker Hermans, Fabio Ramos, Andrea Bajcsy, Claudia Pérez-DArpino: Do What You Say: Steering Vision-Language-Action Models via Runtime Reasoning-Action Alignment Verification, ArXiv 2025。论文地址：https://www.arxiv.org/abs/2510.16281。

原始 LIBERO 基准背景

LIBERO 旨在研究多任务和终身机器人学习中的知识迁移问题。

• 任务套件：包含 130 个任务，分为四个套件：LIBERO-Spatial、LIBERO-Object、LIBERO-Goal 和 LIBERO-100。
• LIBERO-100：包含 100 个操作任务，需要迁移纠缠的知识。它进一步分为用于策略预训练的 LIBERO-90 和用于测试智能体下游终身学习性能的 LIBERO-10。
• 研究主题：涵盖五个研究主题。
• 策略网络架构：提供三种视觉运动策略网络架构。
• 学习算法：提供三种终身学习算法以及顺序微调和多任务学习基线。

数据集获取与使用

• 安装依赖：需按照指定顺序创建 Conda 环境并安装相关 Python 包及 libero 包。
• 下载数据集：通过运行 python benchmark_scripts/download_libero_datasets.py 下载演示数据集。默认存储在 LIBERO 文件夹下，可下载全部四个数据集或通过 --datasets 参数指定下载特定数据集（可选：libero_spatial, libero_object, libero_100, libero_goal）。
• 任务检索示例：提供了从特定任务套件中检索任务的 Python 代码示例。
• 训练与评估：提供了启动终身学习实验的训练脚本命令和单独评估模型的评估脚本命令。

许可证与引用

• 许可证：请查看许可证文件。
• 引用 LIBERO-10-R：请使用提供的 BibTeX 条目引用相关论文。
• 引用原始 LIBERO：请使用提供的 BibTeX 条目引用原始论文。

搜集汇总

数据集介绍

构建方式

在机器人终身学习领域，数据集的构建方式直接影响知识迁移研究的深度与广度。LIBERO-10-R数据集基于LIBERO-10任务套件，通过引入视觉分布外场景与新颖行为组合任务进行扩展。具体而言，该数据集在原有任务基础上，精心设计了20个视觉分布外场景，其中10个场景通过添加或替换干扰物体实现，另外10个场景则通过改变背景与观察视角完成；同时，数据集还整合了13个来自LIBERO-100的短视距行为组合任务，最终形成包含43个任务的增强集合。这种构建方式旨在模拟真实世界中机器人面临的复杂环境变化与任务组合挑战。

特点

作为机器人终身学习研究的重要基准，LIBERO-10-R数据集展现出多维度特点。其核心在于通过视觉分布外场景的设计，系统性地引入了环境干扰与视角变化，从而评估模型在未见视觉条件下的泛化能力。同时，数据集融合了短视距行为组合任务，要求智能体在已有知识基础上进行组合推理，以完成更复杂的操作目标。此外，该数据集继承了LIBERO框架的模块化结构，支持对空间关系、物体属性及目标导向等特定知识类型的分离研究，为深入探究知识迁移机制提供了结构化实验平台。

使用方法

为有效利用LIBERO-10-R数据集开展研究，用户需遵循系统化的操作流程。首先通过提供的安装脚本配置Python环境与依赖库，随后使用专用下载脚本获取高质量的人类遥操作演示数据。在实验阶段，研究者可通过标准接口从任务套件中检索特定任务，并利用离线渲染环境进行策略训练与评估。数据集支持多种视觉运动策略网络架构与终身学习算法的对比实验，用户可通过调整基准名称、策略类型及算法参数启动完整的终身学习流程。训练过程中模型会实时评估性能，同时提供独立评估脚本以满足资源受限场景下的灵活测试需求。

背景与挑战

背景概述

在机器人学习领域，知识迁移与终身学习是推动智能体适应多样化任务的核心议题。LIBERO-10-R数据集作为LIBERO基准的扩展，由Yilin Wu、Anqi Li等研究人员于2025年提出，旨在探索视觉-语言-动作模型在分布外场景下的泛化能力。该数据集构建于LIBERO-10任务套件之上，通过引入视觉分布外场景与新颖行为组合任务，深化了对机器人多任务学习中知识迁移机制的研究。其设计不仅延续了原始LIBERO项目对声明性知识与程序性知识的整合框架，更通过可控的分布偏移，为评估模型在复杂环境中的推理与行为对齐提供了标准化测试平台，对推动终身机器人学习的发展具有重要影响。

当前挑战

LIBERO-10-R数据集致力于解决机器人多任务与终身学习中的知识迁移问题，其核心挑战在于模型在分布外视觉场景下的鲁棒性。具体而言，视觉分布外场景涉及背景变换、视角更改及干扰物体的引入，要求模型能够克服视觉表征的偏移，维持任务执行的稳定性。此外，新颖行为组合任务需要智能体融合短期任务中的动作序列，这对模型的组合泛化能力提出了更高要求。在构建过程中，挑战主要体现在如何系统化地设计分布外变体，确保其既反映真实世界的复杂性，又保持评估的可控性与可重复性，同时平衡任务多样性与其在基准测试中的代表性。

常用场景

经典使用场景

在机器人终身学习领域，LIBERO-10-R数据集作为LIBERO基准的扩展，其经典使用场景聚焦于评估视觉-语言-动作模型在分布外情境下的泛化能力。该数据集通过引入20个视觉分布外场景和13个新颖行为组合任务，构建了包含43个任务的测试套件，其中视觉分布外场景涉及干扰物体的增减、背景与视角的变换，为研究模型在复杂环境中的知识迁移提供了标准化实验平台。

衍生相关工作

围绕LIBERO-10-R数据集，已衍生出多项经典研究工作。例如，Wu等人（2025）提出的《Do What You Say: Steering Vision-Language-Action Models via Runtime Reasoning-Action Alignment Verification》便直接利用该数据集的分布外场景，探索了通过运行时验证机制对齐模型推理与动作的方法。此外，原始LIBERO基准所支撑的多任务策略架构（如bc_rnn_policy）与终身学习算法（如EWC、PackNet）也为后续研究提供了重要参照。

数据集最近研究

最新研究方向

在机器人终身学习领域，LIBERO-10-R数据集的推出标志着对视觉-语言-动作模型泛化能力的研究迈入新阶段。该数据集通过引入20个视觉分布外场景和13个新颖行为组合任务，构建了43个具有挑战性的操作任务，旨在测试智能体在复杂环境变化下的适应性能。相关研究聚焦于运行时推理-动作对齐验证机制，探索模型在动态干扰对象和背景视角变化中的知识迁移效率。这种设计不仅推动了多模态表征学习的发展，也为实现可靠的家庭服务机器人提供了关键基准，其成果已体现在2025年arXiv预印本的前沿工作中。