通过百舸平台快速开始搭建 Libero 仿真环境并调用
更新时间：2026-03-27
一、产品简介
LIBERO 是基于百舸平台的机器人仿真评估与训练工具。您可以在虚拟环境中训练机器人操作策略，并自动评估其表现——无需真实机器人。
您可以用它来：
- 训练机器人学会抓取、放置、开关柜门等 130 种操作任务
- 一键训练模型、一键评测效果，全流程通过脚本完成
- 将服务部署在 GPU 服务器上，团队成员通过浏览器或命令行远程提交评测任务
所有操作均通过一个脚本 run.sh 完成，按照本指南操作即可。
二、快速开始（约 30 分钟）
整体流程：创建开发机 → 登录 → 下载数据 → 训练 → 评测
2.1 创建开发机
打开百舸控制台 → 进入开发机页面 → 点击【创建实例】。
环境配置
| 配置项 | 部署要求 | 最佳实践 |
|---|---|---|
| CPU | 8核 | 建议按表单默认值及以上 |
| 内存 | 32G | 建议按表单默认值及以上，128G为最佳 |
| GPU | L20等 | 本示例使用 L20 创建开发机 |
| CDS | 按需 | 推荐100G以上 |
| 其它 | 需挂载bos | 建议使用bos中的数据集和模型 |
创建时需要填写以下配置：
| 配置项 | 填写说明 |
|---|---|
| 实例名称 | 自定义命名，例如 libero-eval |
| 资源池类型/资源池/队列 | 根据您已有的资源池类型选择 |
| 资源规格 | 按上方推荐配置选择 |
其余配置保持默认，点击【确定】即可。
2.2 登录开发机
在开发机列表中等待状态变为「运行中」，点击【登录】进入终端。
如果长时间处于「创建中」，请检查资源池是否有可用资源。
2.3 下载数据集
从hugging face下载：
Bash
1# 进入项目目录
2cd /root/workspace/LIBERO
3
4# 下载数据集
5bash run.sh download --datasets libero_spatial首次使用推荐只下载
libero_spatial。从 hugging face 下载可能遇到网络问题 数据集说明：
| 数据集 | 大小 | 任务数 | 说明 |
|---|---|---|---|
libero_spatial |
4.2GB | 10 | 同一物体在不同位置 |
libero_object |
7.0GB | 10 | 同一操作抓取不同物体 |
libero_goal |
6.0GB | 10 | 同一场景执行不同目标 |
libero_100 |
76GB | 100 | 大规模综合任务集 |
2.4 训练模型
Bash
1# 开始训练（默认约 5-10 分钟）
2bash run.sh train训练完成后，终端会显示模型保存路径（checkpoint），后续评测会自动使用这个模型。
训练参数
Bash
1bash run.sh train --benchmark libero_spatial --task_id 4 --n_epochs 10 --batch_size 162.5 运行评测
Bash
1# 一键评测（自动查找刚训练好的模型）
2bash run.sh eval评测完成后会看到类似输出：
Plain Text
1 Episode 1/10: 失败 (200步)
2 Episode 2/10: 成功 (156步)
3 Episode 3/10: 失败 (200步)
4 ...
5 成功率: 30.0%三、远程评测（多人共享服务器）
3.1 什么时候需要用？
当您希望：
- 把仿真服务部署在一台 GPU 服务器上，多人共享使用
- 在自己电脑上提交评测任务，不需要安装任何 AI 框架
- 由您的训练机发起，不需要单独占用资源
- 对比多个模型的评测结果
3.2 整体流程
Plain Text
1您的电脑/笔记本/独立服务器 GPU 服务器
2┌─────────────────┐ 发送评测请求 ┌─────────────────┐
3│ │ ─────────────────► │ │
4│ 发一条命令 │ │ 自动完成： │
5│ 等待结果 │ ◄───────────────── │ · 加载模型 │
6│ │ 返回评测结果 │ · 运行仿真 │
7│ 无需安装任何 │ │ · 计算成功率 │
8│ AI 依赖 │ │ │
9└─────────────────┘ └─────────────────┘3.3 第一步：启动服务（在 GPU 服务器上）
Bash
1cd /root/workspace/LIBERO
2
3# 启动服务
4bash run.sh deploy --port 8100看到以下输出表示启动成功：
Plain Text
1[INFO] 仿真服务启动成功 (PID=xxxx)验证服务是否正常运行：
Bash
1curl http://localhost:8200/health
2# 应返回 {"status":"ok"}如需跨机器访问，请在百舸控制台开启对应自定义端口并配置 BLB。
3.4 第二步：提交评测（在您的电脑上）
客户端不需要安装 LIBERO，有两种提交方式：
方式 1：使用脚本（需要 Python）
Bash
1bash run.sh remote \
2 --server http://<服务器IP>:8200 \
3 --ckpt-path /root/workspace/LIBERO/experiments_base/LIBERO_SPATIAL/BCRNNPolicy_seed42/task0_model.pth方式 2：使用 curl（零依赖）
Bash
1curl -X POST http://<服务器IP>:8200/eval \
2 -H "Content-Type: application/json" \
3 -d '{
4 "ckpt_path": "/root/workspace/LIBERO/experiments_base/LIBERO_SPATIAL/BCRNNPolicy_seed42/task0_model.pth",
5 "benchmark": "libero_spatial",
6 "task_id": 0,
7 "n_eval": 10
8 }'关于模型路径：
--ckpt-path填写的是服务器上的路径。如果您在服务器上训练了模型，训练完成时终端会输出保存路径，直接复制使用即可。 示例：
Bash
1bash run.sh remote \
2 --server http://<服务器IP>:8200 \
3 --ckpt-path /root/workspace/LIBERO/experiments_base/LIBERO_SPATIAL/BCRNNPolicy_seed42/task0_model.pth \
4 --task-id 0 \
5 --n-trajs 10如果在服务器本机测试，
--server填http://localhost:8200即可。
3.5 查看结果
评测完成后会输出：
Plain Text
1 任务: pick up the black bowl on the cookie box and place it ...
2
3 Episode 1/10: 失败 (200步, 28.8s)
4 Episode 2/10: 成功 (156步, 13.5s)
5 Episode 3/10: 失败 (200步, 25.1s)
6 ...
7============================================================
8成功率: 30.0% (3/10)
9============================================================四、参数说明
4.1 训练参数（bash run.sh train）
| 参数 | 说明 | 默认值 | 示例 |
|---|---|---|---|
--benchmark |
任务套件（见第五节） | libero_spatial |
libero_object |
--task_id |
任务编号 | 0 |
4 |
--n_epochs |
训练轮数，越大效果越好但越慢 | 5 |
10 |
--batch_size |
每批样本数 | 8 |
16 |
--device |
训练设备 | cuda（GPU） |
cpu |
4.2 评测参数（bash run.sh eval）
| 参数 | 说明 | 默认值 | 示例 |
|---|---|---|---|
--benchmark |
任务套件 | libero_spatial |
libero_goal |
--task_id |
任务编号 | 0 |
4 |
--ckpt |
模型文件路径（不填则自动查找） | 自动 | /path/to/model.pth |
--n_eval |
评测次数，越多结果越稳定 | 10 |
20 |
--device |
推理设备 | cuda（GPU） |
cpu |
4.3 远程评测参数（bash run.sh remote）
| 参数 | 必填 | 说明 | 默认值 | 示例 |
|---|---|---|---|---|
--server |
是 | 服务器地址 | - | http://192.168.1.100:8100 |
--ckpt-path |
是 | 服务器上的模型路径 | - | 见下方说明 |
--benchmark |
否 | 任务套件 | libero_spatial |
libero_object |
--task-id |
否 | 任务编号 | 0 |
4 |
--n-trajs |
否 | 评测次数 | 10 |
20 |
模型路径在哪？ 训练完成后终端会输出，格式为：
/root/workspace/LIBERO/experiments_base/LIBERO_SPATIAL/BCRNNPolicy_seed42/task0_model.pth其中LIBERO_SPATIAL对应任务套件，task0对应任务编号。
4.4 服务部署参数（bash run.sh deploy）
| 参数 | 说明 | 默认值 | 示例 |
|---|---|---|---|
--port |
服务端口号 | 8100 |
8100 |
五、任务套件一览
| 套件名称 | 任务数 | 说明 | 推荐度 |
|---|---|---|---|
libero_spatial |
10 | 同一物体在不同位置（如碗在柜子旁/盘子旁） | 强烈推荐（入门） |
libero_object |
10 | 同一操作抓不同物体（如碗/杯子/罐子） | 推荐 |
libero_goal |
10 | 同一场景执行不同目标（如放桌上/放柜里） | 推荐 |
libero_10 |
10 | 多步骤复合任务（如开柜门→拿碗→放盘子） | 进阶 |
libero_90 |
90 | 大规模混合任务 | 进阶 |
通过
--benchmark指定套件，--task_id指定套件内的具体任务编号。
六、命令速查
Bash
1# 验证环境
2bash run.sh quickstart
3
4# 下载数据集
5bash run.sh download --datasets libero_spatial
6
7# 训练
8bash run.sh train
9bash run.sh train --task_id 4 --n_epochs 10
10
11# 评测
12bash run.sh eval
13bash run.sh eval --ckpt /path/to/model.pth
14
15# 随机策略（用于对比基线）
16bash run.sh random
17
18# 启动远程服务
19bash run.sh deploy --port 8200
20
21# 远程评测
22bash run.sh remote \
23 --server http://<服务器IP>:8200 \
24 --ckpt-path /root/workspace/LIBERO/experiments_base/LIBERO_SPATIAL/BCRNNPolicy_seed42/task0_model.pth
25
26# 查看帮助
27bash run.sh help七、使用建议
- 第一次用？ 按照「快速开始」走一遍即可：下载 → 训练 → 评测，最快 30 分钟出结果
- 先跑通再调参：首次评测用
--n_eval 3减少等待，确认流程没问题后再增加数量 - 对比模型效果：用不同的
--n_epochs训练多个模型，在同一任务上评测对比成功率 - 团队协作：在服务器上运行
deploy启动服务，团队成员各自用curl提交评测即可
八、常见问题
Q：运行时出现大量 Warning，是否正常？
正常。这些是底层库的兼容性提示，不影响结果。只要没有红色的 Error 就没问题。
Q：下载数据集超时或断开，怎么办？
重新运行一次即可，脚本会自动断点续传：
Bash
1bash run.sh download --datasets libero_spatialQ：评测时提示「Checkpoint 不存在」？
说明还没有训练过模型。请先训练：
Bash
1bash run.sh train
2bash run.sh evalQ：远程评测连不上服务器？
请依次检查：
- 服务器上是否已运行
bash run.sh deploy（用curl http://<IP>:8200/health测试） - 两台机器是否在同一网络下
- 是否在百舸控制台开放了对应端口
--ckpt-path填的是服务器上的路径，不是您本机的路径
Q：可以用自己训练的模型吗？
可以。只要是通过 bash run.sh train 训练保存的 .pth 文件，用 --ckpt 指向该文件即可。
评价此篇文章