libero

该数据集是通过LeRobot创建的，结合了四个独立的Libero数据集：Libero-Spatial、Libero-Object、Libero-Goal和Libero-10。这些数据集是从openvla/modified_libero_rlds转换而来，并采用了LeRobot格式。数据集包含1693个总集数、273465个总帧数和40个总任务数。数据集的结构信息包括图像、手腕图像、状态、动作等多种特征。

原始信息汇总

数据集概述

基本信息

• 名称: Libero
• 主页: https://libero-project.github.io
• 论文: https://arxiv.org/abs/2306.03310
• 许可证: CC-BY 4.0
• 任务类别: 机器人学
• 标签: LeRobot, libero, panda, rlds

数据集描述

• 来源: 结合了四个独立的Libero数据集：Libero-Spatial、Libero-Object、Libero-Goal和Libero-10。
• 原始数据集来源: https://huggingface.co/datasets/openvla/modified_libero_rlds
• 创建工具: LeRobot (https://github.com/huggingface/lerobot)

数据集结构

• 代码库版本: v2.0
• 机器人类型: panda
• 总集数: 1693
• 总帧数: 273465
• 总任务数: 40
• 总视频数: 0
• 总块数: 2
• 块大小: 1000
• 帧率: 10 fps
• 分割:
  • 训练集: 0:1693

数据路径

• 数据路径: data/chunk-{episode_chunk:03d}/episode_{episode_index:06d}.parquet
• 视频路径: videos/chunk-{episode_chunk:03d}/{video_key}/episode_{episode_index:06d}.mp4

特征

• 图像:
  • 数据类型: image
  • 形状: [256, 256, 3]
  • 名称: height, width, channel
• 手腕图像:
  • 数据类型: image
  • 形状: [256, 256, 3]
  • 名称: height, width, channel
• 状态:
  • 数据类型: float32
  • 形状: [8]
  • 名称: state
• 动作:
  • 数据类型: float32
  • 形状: [7]
  • 名称: actions
• 时间戳:
  • 数据类型: float32
  • 形状: [1]
  • 名称: null
• 帧索引:
  • 数据类型: int64
  • 形状: [1]
  • 名称: null
• 集索引:
  • 数据类型: int64
  • 形状: [1]
  • 名称: null
• 索引:
  • 数据类型: int64
  • 形状: [1]
  • 名称: null
• 任务索引:
  • 数据类型: int64
  • 形状: [1]
  • 名称: null

引用

bibtex @article{liu2023libero, title={LIBERO: Benchmarking Knowledge Transfer for Lifelong Robot Learning}, author={Liu, Bo and Zhu, Yifeng and Gao, Chongkai and Feng, Yihao and Liu, Qiang and Zhu, Yuke and Stone, Peter}, journal={arXiv preprint arXiv:2306.03310}, year={2023} }

AI搜集汇总

数据集介绍

构建方式

该数据集的构建采用了集成多个子数据集的策略，将Libero-Spatial、Libero-Object、Libero-Goal及Libero-10四个独立的数据集纳入其中，并统一转换为LeRobot格式，以便于在机器人学领域的研究与应用中提供更为全面和标准化的数据支持。

特点

数据集以panda机器人为对象，包含了1693个剧集，总计273465帧，涵盖了40个不同的任务。数据以Parquet文件格式存储，并提供了丰富的特征信息，如图像、状态、动作等，为机器人学习的长期知识迁移提供了重要的基准数据。

使用方法

用户可以通过访问数据集的Homepage或直接从HuggingFace的存储库中获取数据。数据集的 splits 信息表明所有数据均用于训练，用户可以根据需要，通过指定的路径和数据格式来加载和利用这些数据，以进行相关的研究和开发工作。

背景与挑战

背景概述

在机器人学领域，终身学习是机器人适应不断变化环境的关键能力。Libero数据集，创建于2023年，由Liu Bo等研究人员构建，旨在为终身机器人学习提供一套全面的基准。该数据集整合了四个子数据集，涵盖空间、对象、目标和综合任务等多个维度，为研究者在机器人学习领域提供了丰富的实验资源。Libero数据集的核心研究问题是探索知识迁移在终身学习中的应用，其研究对推动机器人领域的发展具有深远影响。

当前挑战

该数据集面临的挑战主要在于：一是如何准确模拟真实环境中的多样性和复杂性，以提升机器人的泛化能力；二是数据集构建过程中，如何处理大量数据的一致性和有效性问题。此外，Libero数据集还需解决在数据转换和集成过程中的技术挑战，确保不同来源的数据能够无缝融合，为研究提供可靠的基础。

常用场景

经典使用场景

在机器人学领域，libero数据集被广泛应用于模拟机器人执行复杂任务的学习过程。该数据集整合了空间、物体、目标和动作等多维信息，使得研究者能够通过这一全面的数据资源，训练机器人模型以实现诸如抓取、搬运等精细操作。

衍生相关工作

基于libero数据集，已经衍生出多项经典研究工作，包括但不限于机器人知识迁移、终身学习算法的开发与评估，以及机器人视觉伺服等领域的研究。这些工作进一步推动了机器人学习技术的发展，拓宽了该领域的研究视野。

数据集最近研究

最新研究方向

在机器人学领域，LIBERO数据集的构建旨在推动终身机器人学习中的知识迁移基准测试。该数据集整合了四个独立的数据集，涵盖了空间、物体、目标和动作等多维度信息，为研究者在仿真环境中进行复杂任务训练与评估提供了丰富的资源。近期研究集中于利用LIBERO数据集探索机器人如何在不断变化的环境中保持学习能力，以及如何通过知识迁移提高学习效率。此研究对于提升机器人在实际应用中的适应性和自主性具有重要的理论与实践意义。