LIBERO-RIG 基准发布：只扰动机器人硬件，评测 VLA 模型鲁棒性
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载只动硬件，不动任务
现有机器人策略评测通常固定硬件，只换任务或场景。LIBERO-RIG 反过来：LIBERO 的每一项任务都原样保留，被改动的只有机器人自身和它的搭建方式。论文列举的现实诱因包括相机被碰歪后重新安装、标定随时间漂移、控制器以不同频率运行、末端执行器垫片磨损。基准把这些诱因拆成十一个扰动维度，涵盖相机安装与光学、相机到机械臂的标定、驱动增益、控制频率、本体感知噪声、底座位姿、桌面高度以及夹爪垫片。每个维度设五档严重程度，在四个 LIBERO 套件上组合出 210 种条件。这种设计让「同一任务、不同机器」成为可对照的实验变量，而不是只能事后归因的现场故障。
评测规模与统计处理
作者用该基准评测了九个近期的视觉-语言-动作模型。每种条件跑 500 个回合，这个量级让成功率差异不至于被随机波动淹没，论文也对每项结论配了统计检验。结果层面，综合成功率在中等严重程度下由 0.932 降到 0.767，最高严重程度进一步降到 0.509。更值得注意的是退化并不均匀：不同扰动维度之间、不同动作接口之间，性能下降幅度差别很大。这意味着单一的平均分不足以描述一个策略的硬件耐受性，需要按维度拆开看。
视觉训练救不了非视觉故障
论文给出的一条结论针对当前常见的应对手段：用视觉扰动做数据增强。作者发现，对于那些不改变相机图像的故障，例如驱动增益变化、控制频率差异、本体感知噪声，仅靠视觉扰动训练并不能缓解性能下降。换句话说，问题出在相机看不到的环节，扩充图像分布覆盖不到它们。这对做策略训练和部署的人是一个直接的提示：鲁棒性投入需要按故障类型分配，而不是默认堆视觉多样性。
公开内容与适用范围
随基准一起发布的还有清单文件，逐回合写明固定的扰动参数，便于他人复现或按需筛选条件。论文共 30 页，其中正文 4 页，其余为附录，含 15 张图和 18 张表，归入机器人学与人工智能分类。需要说明的是，该工作聚焦硬件与搭建层面的扰动，评测对象是视觉-语言-动作模型在 LIBERO 任务上的表现，并不涉及真实产线部署或硬件成本等议题。
为什么值得看
把「换台机器就失灵」量化成可复现的评测，做机器人策略落地的人能直接对照自己的硬件风险点。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。