0.前置
机器人持续学习基准LIBERO系列1——基本介绍与安装测试 机器人持续学习基准LIBERO系列2——路径与基准基本信息 机器人持续学习基准LIBERO系列3——相机画面可视化及单步移动更新 机器人持续学习基准LIBERO系列4——robosuite最基本demo 机器人持续学习基准LIBERO系列5——获取显示深度图 机器人持续学习基准LIBERO系列6——获取并显示实际深度图 机器人持续学习基准LIBERO系列7——计算并可视化点云 机器人持续学习基准LIBERO系列9——数据集轨迹查看
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 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