TTaekwan/libero_contact

LIBERO contact labels (flevel_v2)

LIBERO 40 task × 50 human demo 위에서 MuJoCo 물리로 읽은 그리퍼↔대상 물체 접촉 라벨이다. LeRobot dataset kimtaey/libero_gr00t_delta 의 프레임 격자에 맞춰져 있고, 그 dataset 을 고치지 않고 열 하나를 얹는 방식으로 쓴다.

무엇이 들어 있나

경로	개수 · 크기	무엇
flevel_v2/sidecar/episode_{i:06d}.parquet	1,693장 · 6.7 MB	학습이 읽는 것. 열 하나 flevel, 행 수 = 그 episode 의 프레임 수
flevel_v2/F16__{suite}__{task}.jsonl	40개 · 51 MB	같은 라벨을 사람이 읽는 판. 줄 하나 = 창 하나
flevel_v2/_thresholds.json	1개	level 을 자른 tertile threshold 와 집계
flevel_v2/_episode_map.json	1개	LeRobot episode_index ↔ (suite, task, demo) 대응

flevel 열 다섯 칸

flevel = [p_start, p_end, p_bnd, level, valid] (float32 5칸).

칸	뜻
p_start	창 시작 프레임 t 의 접촉 (0/1)
p_end	창 끝 프레임 t+16 의 접촉 (0/1)
p_bnd	창 안에서 접촉이 켜졌다 꺼진 경우 (0/1). 244,738 창 중 335개(0.14%)
level	1 = 접촉 전이 창, 2/3/4 = movement 하위/중간/상위
valid	movement head 를 켜는 자리면 1. episode 꼬리의 잘린 창에서 0

접촉 전이 판정식은 (p_start != p_end) or p_bnd 이고, 이 식은 창 라벨 label_bnd · level == 1 과 같은 값을 낸다 (라벨 244,738 창에서 전부 일치).

level 을 자른 규칙

movement = cmd_sum = sum_{k=t..t+15} ||action[k, 0:3]||_2 (translation 3축의 경로 길이). label_bnd == False 인 창 194,665개를 모아 tertile 로 자른다.

level = 1 if label_bnd else (4 if cmd_sum >= q66 else 3 if cmd_sum >= q33 else 2)
q33 = 9.532422836101945
q66 = 13.100870744354776

전체 273,465 행의 분포는 level 1: 22.7% · 2: 28.5% · 3: 24.2% · 4: 24.6% 다.

jsonl 한 줄의 필드

{"episode_index": 388, "demo": "demo_25", "t": 0, "contact": 0, "level": 3, "valid": 1,
 "cmd_sum": 9.708827768192291, "label_any": false, "label_bnd": false,
 "c_start": false, "c_end": false}

c_start · c_end 는 창 시작·끝 프레임의 접촉, label_any 는 창 안에 접촉이 한 번이라도 있었는가, label_bnd 는 창 안에서 접촉 값이 시작값과 달라졌는가다.

episode 꼬리의 처리

episode 끝에서 16 프레임이 안 남는 자리에서는 잘린 창으로 접촉을 실제로 계산한다 — 기준 프레임 t, 비교 대상 t+1 .. len-1. 그래서 p_start · p_end · p_bnd 는 모든 행에서 값을 갖는다. movement 는 cmd_sum 이 16 step 의 합이라 창 길이가 달라지면 같은 threshold 로 자를 수 없으므로, 꼬리 28,727 행은 valid = 0 으로 movement head 만 가린다.

쓰는 법

sidecar 는 episode_index 로 붙고 len(라벨) == len(episode) 를 확인한다. 그러므로 붙이는 쪽 LeRobot dataset 이 kimtaey/libero_gr00t_delta 와 같은 판이어야 한다 — 1,693 episode · 273,465 frame · 같은 episode 순서다.

import numpy as np, pyarrow.parquet as pq

def attach_flevel(df, episode_index, flevel_dir):
    """LeRobot episode DataFrame 에 `flevel` 열을 붙인다."""
    path = f"{flevel_dir}/episode_{episode_index:06d}.parquet"
    arr = np.asarray(pq.read_table(path).column("flevel").to_pylist(), np.float32)
    assert len(arr) == len(df) and arr.shape[1] == 5
    df = df.copy()
    df["flevel"] = list(arr)
    return df

GR00T 학습에서는 LeRobotSingleDataset 을 상속해 get_trajectory_data 에서 위처럼 열을 붙이고, modality.json 의 가상 항목 action.flevel(original_key="flevel", 폭 5)로 잡으면 정규 경로가 (16, 5) 로 잘라 준다.

⚠ normalization_modes 에는 action.flevel 을 넣지 않는다. 넣으면 meta/stats.json 검증이 걸리고 gr00t/data/dataset.py 가 전 parquet 을 다시 읽어 통계를 재계산한 뒤 원본 stats.json 을 덮어쓴다. 넣지 않으면 값이 정수 그대로 head 에 도착한다.

출처

라벨은 LIBERO 원본 demo hdf5(<suite>/<task>_demo.hdf5)를 MuJoCo 로 다시 세워 프레임마다 접촉을 읽고, 그것을 H=16 창으로 묶어 만들었다. 접촉은 sim.data.contact 에서 오는 특권 sim state 이므로 오라클 라벨이다 — 학습 target 으로 쓰고, 배포 시점 입력(RGB + 텍스트 + proprio)으로는 이 값을 직접 읽지 않는다.