arXiv cs.AI· Ming Shin Cindy Sung, Duan Leijiahao, Haoxiang Wang, Boning Tan, Liangna Fu, Chao Tan, Yafu Li, Yulong Chen, Chaoqun Wan, Zhen Huang, Shuxian Liang, Xian-Sheng Hua·· 3 天前AI 评分29
LIBERO-Industry：工业流程约束下的机器人操作基准
LIBERO-Industry: Benchmarking Robotic Manipulation under Industrial Process Constraints
AI 导读
研究者提出 LIBERO-Industry，一个基于 LIBERO 构建的机器人操作基准，将产品变体、移动物料流、有限执行窗口和严格几何公差等工业约束转化为可控任务条件与可测量成功标准。
正文 · AI 翻译
作者：Ming Shin Cindy Sung、Duan Leijiahao、Haoxiang Wang、Boning Tan、Liangna Fu、Chao Tan、Yafu Li、Yulong Chen、Chaoqun Wan、Zhen Huang、Shuxian Liang、Xian-Sheng Hua
摘要：柔性制造中的工业操作，例如高混合、低产量（HMLV）的电子产品装配，要求机器人策略能够适应不断变化的产品和生产条件。此类场景施加了工业流程约束，包括产品变体、移动的物料流、有限的执行窗口以及严格的几何公差。然而，现有的评估框架在评估通用机器人策略时并未系统地捕捉这些约束。为弥补这一空白，我们提出了 LIBERO-Industry，这是一个基于广泛使用的机器人学习基准 LIBERO 构建的新基准，将上述工业约束转化为可控的任务条件和可度量的成功标准。具体而言，LIBERO-Industry 包含三个经典任务场景：静态到动态（S2D）装载、动态到静态（D2S）卸载以及动态到动态（D2D）转运。这些套件共包含 216 个任务，系统地改变了物体几何形状、传送带速度、交互窗口时长以及几何可接受区域大小。在五种通用机器人策略（包括视觉-语言-动作模型和世界-动作模型）上进行的广泛实验表明，随着工业约束的引入和组合，性能逐渐下降。在共享的微调和评估协议下，LIBERO-Industry 协同训练条件所观察到的目标转运完成率高于原始 LIBERO 条件。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.16782 [cs.AI] |
| （或 arXiv:2610.16782v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16782 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Ming Shin Cindy Sung [查看电子邮件]
[v1]
2026年10月12日星期一 13:38:46 UTC（9,973 KB）
来源：arXiv cs.AI · arxiv.org