LIBERO-Industry：把工厂约束纳入机器人操作能力评测

导语

机器人能否完成一次抓取，并不等于它已经具备进入工厂的能力。在高混合、低产量制造中，产品型号经常变化，物料可能随传送带持续移动，机械臂还必须在有限时间内完成动作，并将物体放入容差很小的区域。对这些场景而言，单纯测试“看见目标并抓住它”远远不够。

一个更接近产线的评测框架

来自同济大学 IAIE Physical AI Group 的研究团队提出 LIBERO-Industry，在常用机器人学习基准 LIBERO 的基础上，加入面向工业流程的约束条件。它并非只增加任务数量，而是试图把产线中的难点拆解为可控制、可重复、可量化的测试变量。

基准覆盖三种典型操作场景：

• Static-to-Dynamic（S2D）：将静态位置的物体装载到运动中的目标上；
• Dynamic-to-Static（D2S）：从运动中的材料流中取出物体，并放置到静态位置；
• Dynamic-to-Dynamic（D2D）：在两个动态过程之间完成物料转移。

整个任务套件包含 216 项任务，系统改变物体几何形状、传送带速度、可用交互窗口时长，以及目标区域的几何接受范围。这样的设计让研究者能够观察：究竟是产品变化、节拍压力还是空间容差收紧，导致了策略失效；也能进一步评估多个约束同时出现时的影响。

实验揭示的能力边界

研究团队在五种通用机器人策略上进行了实验，其中包括视觉语言动作模型和世界动作模型。仿真结果显示，随着工业约束逐步引入并叠加，策略性能呈持续下降趋势。这一结果说明，许多模型在标准任务中表现良好，并不代表它们能够处理真实生产环境中的时间压力、运动目标和精确定位要求。

研究还比较了不同训练条件。在共享的微调与评测协议下，使用 LIBERO-Industry 条件进行联合训练时，真实实验中的目标转移完成表现高于仅采用原始 LIBERO 条件的训练方式。这里的重点并不是某个模型取得了普遍领先，而是更贴近产线的训练和测试分布，可能帮助策略学习工业操作中容易被忽略的因素。

意义与局限

LIBERO-Industry 的价值，在于把“工业可用性”从笼统目标变成可以逐项测量的问题。研究者可以围绕速度、时间、几何精度和产品变化建立更细致的能力画像，也能用统一条件比较不同通用策略。

不过，基准结果仍不能直接等同于大规模工厂部署能力。制造现场还涉及安全规范、设备差异、异常恢复、磨损和长周期稳定性等因素。它更像是一座连接通用机器人研究与工业验证的桥梁：先检验模型能否在受控条件下应对关键约束，再逐步走向更复杂的真实产线。

来源：Hugging Face Daily Papers