LIBERO:终身机器人操作学习基准
论文:LIBERO: Benchmarking Knowledge Transfer for Lifelong Robot Learning(Liu 等,NeurIPS 2023 D&B)。LIBERO 想回答一个被此前 benchmark 回避的问题:在终身机器人学习(Lifelong Robot Learning, LLDM)中,究竟哪些知识需要迁移、以什么方式迁移?作者把机器人所需知识拆成两类——声明性知识(物体身份、空间关系)与程序性知识(技能与运动),并围绕这两类构造了系统化的评测套件。
1. 为什么需要 LIBERO
先前的操作 benchmark(Meta-World、RLBench、CALVIN 等)各测一点:要么关注多任务并行,要么关注语言条件,要么关注长时程组合,但都没有把"知识随任务序列增量到来"这一 lifelong 设定当作一等公民。结果是:
- 无法区分性能下降到底来自表征坍缩还是策略遗忘。
- 无法定位是**"物体/空间"这类静态知识难迁移,还是"技能序列"这类动态知识**难迁移。
- 缺乏统一的 FWT/NBT/AUC 报告约定,跨论文的 lifelong 数字几乎不可比。
LIBERO 用四个任务族 + 三算法 × 三架构的正交设计,把这些混杂因素解耦。