0.前置

• 機器人持續學習基準LIBERO系列1——基本介紹與安裝測試
• 機器人持續學習基準LIBERO系列2——路徑與基準基本信息
• 機器人持續學習基準LIBERO系列3——相機畫面可視化及單步移動更新
• 機器人持續學習基準LIBERO系列4——robosuite最基本demo
• 機器人持續學習基準LIBERO系列5——獲取顯示深度圖
• 機器人持續學習基準LIBERO系列6——獲取并顯示實際深度圖
• 機器人持續學習基準LIBERO系列7——計算并可視化點云
  
• 機器人持續學習基準LIBERO系列9——數據集軌跡查看

1.LIBERO-master目錄結構

• benchmark_scripts
• images
• libero
  • configs
    • config.yaml:總結所有配置的默認配置文件
    • data/default.yaml:數據的配置
    • eval/default.yaml:驗證的配置
    • lifelong
      • base.yaml:順序微調基線的配置
      • 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:訓練的配置
  • datasets
  • libero:環境有關
    • assets:網格文件相關
    • envs
      • problems:prooblem類定義
  • lifelong：策略，算法和實驗
    • main.py:復現實驗的主要腳本
    • algos:持續學習框架
      • base.py：所有算法的父類Sequential
      • er.py:Experience Replay算法
      • ewc.py:Elastic Weight Consolidation算法
      • packnet.py:Packnet算法
      • multitask.py:多任務學習基線
      • single_task.py:順序學習基線
      • language.py
    • models：底層策略
      • 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：創建數據集的腳本
  • collect_demonstrations.py:收集自己的人工演示軌跡
  • create_dataset.py:創建自己的數據集
  • batch_create_dataset.py :通過重復運行create_dataset.py創建一個批次的數據集
• templates
  • problem_class_template.py:方便用戶創建自己的problem類
• 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話，參考下面的命令進行配置，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