机器人持续学习基准LIBERO系列10——文件结构

最新推荐文章于 2025-06-27 09:06:36 发布

原创最新推荐文章于 2025-06-27 09:06:36 发布 · 1.5k 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#持续学习 #机器人学习 #多任务学习 #增量学习 #libero #LIBERO #机器人

机器人操作持续学习论文同时被 2 个专栏收录

18 篇文章

订阅专栏

LIBERO

9 篇文章

订阅专栏

本文详细介绍了LIBERO系列教程，涵盖了从基础安装到高级功能，如路径规划、深度图处理、点云计算和多任务学习，以及如何使用Hydra配置文件进行个性化设置。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

0.前置

1.LIBERO-master目录结构

benchmark_scripts
images
libero
- configs
  - config.yaml:总结所有配置的默认配置文件
  - data/default.yaml:数据的配置
  - eval/default.yaml:验证的配置
  - lifelong
    - base.yaml:顺序微调基线的配置
    - agem.yaml:agem配置
    - er.yaml
    - ewc.yaml
    - packnet.yaml
    - multitask.yaml
    - single_task.yaml
  - policy
    - data_augmentation
    - image_encoder
    - language_encoder
    - policy_head
    - position_encoding
    - bc_rnn_policy.yaml :ResNet-LSTM配置
    - bc_transformer_policy.yaml:ResNet-Transformer配置
    - bc_vilt_policy.yaml:ViT-Transformer配置
  - train
    - optimizer
      - shceduler
      - default.yaml:训练的配置
- datasets
- libero:环境有关
  - assets:网格文件相关
  - envs
    - problems:prooblem类定义
- lifelong：策略，算法和实验
  - main.py:复现实验的主要脚本
  - algos:持续学习框架
    - base.py：所有算法的父类Sequential
    - er.py:Experience Replay算法
    - ewc.py:Elastic Weight Consolidation算法
    - packnet.py:Packnet算法
    - multitask.py:多任务学习基线
    - single_task.py:顺序学习基线
    - language.py
  - models：底层策略
    - policy
    - bc_rnn_policy.py:ResNet-RNN
    - bc_transformer_policy.py:ResNet-T
    - bc_vilt_policy.py:ViT-T
libero.egg-info
mine
notebooks
- scripts：创建数据集的脚本
- collect_demonstrations.py:收集自己的人工演示轨迹
- create_dataset.py:创建自己的数据集
- batch_create_dataset.py :通过重复运行create_dataset.py创建一个批次的数据集
templates
- problem_class_template.py:方便用户创建自己的problem类
LICENSE
README.md
requirements.txt
setup.py
.gitignore

2.LIBERO配置文件

使用Hydra配置
如果想要修改配置的话，参考下面的命令进行配置，而不是直接修改yaml文件

export CUDA_VISIBLE_DEVICES=GPU_ID && \
export MUJOCO_EGL_DEVICE_ID=GPU_ID && \
python lifelong/main.py seed=SEED \
                        benchmark_name=BENCHMARK 
                        policy=POLICY \
                        lifelong=ewc \
                        lifelong.e_lambda=100000 \
                        lifelong.gamma=0.95