何が起きたか

Physical Intelligenceは、ロボット学習プラットフォーム「openpi」のGitHubリポジトリで、LIBEROベンチマークを実行するためのサンプルコードと手順を公開した。この例では、Docker Composeを使用してシミュレーション環境を構築し、事前学習済みチェックポイントを評価できる。

詳細

Physical Intelligenceは、ロボット学習プラットフォーム「openpi」のGitHubリポジトリで、LIBEROベンチマークを実行するためのサンプルコードと手順を公開した。この例では、Docker Composeを使用してシミュレーション環境を構築し、事前学習済みチェックポイントを評価できる。 実行手順は、まずgitサブモジュールを初期化し、X11サーバーへのアクセスを許可する。その後、Docker Composeでコンテナを起動する。デフォルトのチェックポイントとタスクスイートを使用する場合、`SERVER_ARGS="--env LIBERO" docker compose -f examples/libero/compose.yml up --build`を実行する。Mujocoでglxを使用する場合は、`MUJOCO_GL=glx`を設定する。 カスタムチェックポイントをロードするには、`SERVER_ARGS`に`policy:checkpoint --policy.config pi05_libero --policy.dir ./my_custom_checkpoint`を指定する。タスクスイートを変更するには、`CLIENT_ARGS`に`--args.task-suite-name libero_10`を指定する。 また、仮想環境を使用する方法も提供されている。Python 3.8で仮想環境を作成し、`uv pip sync`で依存関係をインストールする。その後、`python examples/libero/main.py`でシミュレーションを実行し、別のターミナルで`uv run scripts/serve_policy.py --env LIBERO`でサーバーを起動する。 評価用のチェックポイントは`gs://openpi-assets/checkpoints/pi05_libero/`にあり、`pi05_libero`設定でトレーニングされたものである。

Key Facts

Physical Intelligenceは、ロボット学習プラットフォーム「openpi」のGitHubリポジトリで、LIBEROベンチマークを実行するためのサンプルコードと手順を公開した。[0]
実行にはgitサブモジュールの初期化が必要で、`git submodule update --init --recursive`を実行する。[0]
Docker Composeを使用する場合、`SERVER_ARGS="--env LIBERO" docker compose -f examples/libero/compose.yml up --build`で実行する。[0]
Mujocoでglxを使用する場合は、`MUJOCO_GL=glx`を設定する。[0]
カスタムチェックポイントをロードするには、`SERVER_ARGS`に`policy:checkpoint --policy.config pi05_libero --policy.dir ./my_custom_checkpoint`を指定する。[0]
タスクスイートを変更するには、`CLIENT_ARGS`に`--args.task-suite-name libero_10`を指定する。[0]
仮想環境を使用する場合、Python 3.8で作成し、`uv pip sync`で依存関係をインストールする。[0]
シミュレーションは`python examples/libero/main.py`で実行し、サーバーは`uv run scripts/serve_policy.py --env LIBERO`で起動する。[0]
評価用チェックポイントは`gs://openpi-assets/checkpoints/pi05_libero/`にあり、`pi05_libero`設定でトレーニングされた。[0]

なぜ重要か

この公開により、研究者や開発者はopenpiプラットフォーム上でLIBEROベンチマークを容易に実行し、ロボット学習ポリシーの評価を行うことができる。また、事前学習済みチェックポイントの提供により、再現性のある評価が可能となる。