LIBERO：给「机器人终身学习」立一面镜子
🎯 为什么重要：决策里的「终身学习」之前根本没考场
终身学习（lifelong / continual learning）在图像和文本领域已经研究得很透，MNIST split、CIFAR split、GLUE 一类基准成型。但搬到机器人决策上有两个新麻烦：
更麻烦的是，当时的 lifelong learning 算法（EWC、PackNet、ER 等）几乎都在图像分类上验证，到底在机器人决策里好不好使？没人系统测过。LIBERO 就是来填这个坑的。
💡 核心思想：四个任务套，把三种知识迁移「解耦」测
LIBERO 用一条程序化生成管线从 Ego4D 人类活动语言模板里抽任务描述，配合 Robosuite 仿真器生成场景与目标（PDDL 描述）。理论上能产无限多任务；为了基准对比，固定 130 个任务，分成四个套件：
评测的三个指标也很到位：FWT（前向迁移，新任务学得多快）、NBT（负向后向迁移，旧任务忘得多少）、AUC（综合）。三个指标把「学新 / 忘旧 / 总体」分开了，避免了只看一个数的盲区。
🛠️ 三个让它成为「社区标准」的关键设计
| 设计 | 心智 | 为什么必要 |
|---|---|---|
| ① 把迁移维度解耦 | 前三套任务各只改一个变量（空间 / 物体 / 目标），其余保持一致 | 出错了能定位是「忘了概念」还是「忘了动作」。混合测试（LIBERO-100）只能告诉你「整体不行」，分轴测试才能告诉你「哪里不行」 |
| ② 50 条人类遥操演示 / 任务 | 不靠稀疏 reward RL，每个任务都给 50 条 Spacemouse 高质量演示，统一用 BC 训 | 稀疏 reward RL 太耗算力，会盖过 lifelong 算法本身的差异。BC 让算力集中在「lifelong」这个问题上 |
| ③ 程序化生成管线 | 从 Ego4D 抽语言模板 → 选场景 → PDDL 描述目标，理论上能生成无限任务 | 基准不能是「死」的 130 个任务，得能扩展。后续工作（LIBERO-Object-Unlocked、LIBERO-Goal-Long 等）正是基于这条管线扩出来的 |
假设新算法在 LIBERO-100 上赢了基线——为什么赢？是更会泛化物体？还是更不容易忘目标？你看不出来。LIBERO-Spatial/Object/Goal 三套对应「只动一个轴」，赢家在哪个轴上赢一目了然。这就是为什么 LIBERO 不只是「130 个任务的数据集」，而是一个诊断工具。
📊 结果：四个反直觉发现，把 lifelong 圈打脸
| 编号 | 发现 | 关键数字（来自 PDF） |
|---|---|---|
| F1 | 架构和算法一样重要 | ResNet-T / ViT-T 全面碾压 ResNet-RNN（AUC 0.32 vs 0.08 in LIBERO-Long）；ViT-T 在物体多时（LIBERO-Object）更好，ResNet-T 在程序性知识为主时更好 |
| F2 | 顺序微调（SeqL）的前向迁移反而最好 | LIBERO-Long FWT：SeqL 0.54 > ER 0.48 > PackNet 0.22 > EWC 0.13。意味着所有 lifelong 算法都拖累了新任务学习 |
| F3 | 语言 embedding 几乎没差 | BERT / CLIP / GPT-2 / 甚至 "Task ID" embedding 在 AUC 上无统计显著差异（0.30~0.35），说明 sentence embedding 此时只是「bag-of-words 当任务 ID」 |
| F4 | 朴素的监督预训练反而伤害下游 lifelong 学习 | 在 LIBERO-100 的 90 个短 horizon 任务上预训练 50 epoch，再迁移到 LIBERO-Long，5 种组合里大多不如从零训 |
| F5 | 任务顺序对算法影响显著 | 同一算法在 5 种任务顺序下表现方差大；PackNet 的方差甚至统计显著 |
🌐 在领域中的位置
LIBERO 是机器人 lifelong learning 的「MNIST split」。它把 lifelong 这个含混的概念落到了一组可诊断、可扩展、配演示的任务上。在 VLA 时代，它也是「单任务 BC 微调」最常用的基准之一（Diffusion Policy、OpenVLA、π0 都在 LIBERO 上跑过）。关联线索：T05 模仿学习谱系。
❓ 常见误区
LIBERO 是模仿学习还是强化学习基准？
两者都支持，但默认配 BC 演示。论文为了把算力集中在 lifelong 算法上、不被稀疏 reward RL 拖累，主推 BC 路线。后续工作里也有人用 RL 跑 LIBERO，但主流是 imitation。
「SeqL 最好」是不是说明 lifelong learning 算法都白做了？
不能这么简单读。SeqL 的 FWT 最好但 NBT 最差（忘得最多）——「学新任务快」是不带任何约束换来的。AUC 上 ER 和 PackNet 反而更高。这告诉我们：「快」和「不忘」是 trade-off，要综合看。
为什么预训练反而拖后腿？
论文没给死因，但推测是「预训练任务分布和下游不匹配」+「容量被预训练锁死在错误子空间」。这正是后来 better pretraining（如 Voltron、R3M 之争、Robotic Control via VLA 的预训练策略）的导火索。
LIBERO 的任务套是不是太「合成」了，离真实机器人远？
是局限。任务都是 Robosuite 里的 Franka Panda + 简化物体。但作为受控诊断工具，「合成」反而是优点——你能定位问题。真实泛化要靠 BEHAVIOR-1K、RoboCasa 等后继工作来补。