# VLABench

  The commands below run the simulator locally. To keep its dependencies away from your policy's, serve it instead with `lerobot-env-server --config_path=docker/sim/configs/vlabench.yaml --sim.task= --docker=true`, where `` is the command's `--env.task`, and add `--env.server.endpoint=tcp/127.0.0.1:7448` to the command. A server runs the task it was started with (see [Simulation: local or served](./simulation)).

[VLABench](https://github.com/OpenMOSS/VLABench) adalah benchmark berskala besar untuk **manipulasi robotik berbasis bahasa dengan penalaran jangka panjang**. Suite hulu mencakup 100 kategori tugas di lebih dari 2.000 objek dan mengevaluasi enam dimensi kecerdasan robot: pemahaman mesh & tekstur, penalaran spasial, transfer pengetahuan dunia, pemahaman instruksi semantik, pemahaman hukum fisika, dan perencanaan jangka panjang. Dibangun di atas MuJoCo / dm_control dengan lengan Franka Panda 7-DOF. LeRobot mengekspos **43 dari tugas-tugas ini** melalui `--env.task` (21 primitif + 22 komposit, lihat [Tugas yang tersedia](#available-tasks) di bawah).

- Makalah: [VLABench: A Large-Scale Benchmark for Language-Conditioned Robotics Manipulation with Long-Horizon Reasoning](https://arxiv.org/abs/2412.18194)
- GitHub: [OpenMOSS/VLABench](https://github.com/OpenMOSS/VLABench)
- Situs web proyek: [vlabench.github.io](https://vlabench.github.io)
- Kebijakan pra-terlatih: [`lerobot/smolvla_vlabench`](https://huggingface.co/lerobot/smolvla_vlabench)

<img
  src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/lerobot/vlabench.png"
  alt="VLABench benchmark overview"
  width="85%"
/>

## Tugas yang tersedia

VLABench menyediakan dua kumpulan tugas yang mencakup **43 kategori tugas** di permukaan `--env.task` LeRobot:

| Suite     | Nama CLI    | Tugas | Deskripsi                                                      |
| --------- | ----------- | ----- | ---------------------------------------------------------------- |
| Primitif | `primitive` | 21    | Kombinasi satu / beberapa keterampilan (select, insert, physics QA)     |
| Komposit | `composite` | 22    | Penalaran multi-langkah dan perencanaan jangka panjang (memasak, menata ulang) |

**Tugas primitif:** `select_fruit`, `select_toy`, `select_chemistry_tube`, `add_condiment`, `select_book`, `select_painting`, `select_drink`, `insert_flower`, `select_billiards`, `select_ingredient`, `select_mahjong`, `select_poker`, dan tugas penalaran fisika (`density_qa`, `friction_qa`, `magnetism_qa`, `reflection_qa`, `simple_cuestick_usage`, `simple_seesaw_usage`, `sound_speed_qa`, `thermal_expansion_qa`, `weight_qa`).

**Tugas komposit:** `cluster_billiards`, `cluster_book`, `cluster_drink`, `cluster_toy`, `cook_dishes`, `cool_drink`, `find_unseen_object`, `get_coffee`, `hammer_nail`, `heat_food`, `make_juice`, `play_mahjong`, `play_math_game`, `play_poker`, `play_snooker`, `rearrange_book`, `rearrange_chemistry_tube`, `set_dining_table`, `set_study_table`, `store_food`, `take_chemistry_experiment`, `use_seesaw_complex`.

`--env.task` menerima tiga bentuk:

- nama tugas tunggal (`select_fruit`)
- daftar yang dipisahkan koma (`select_fruit,heat_food`)
- singkatan suite (`primitive`, `composite`, atau `primitive,composite`)

## Instalasi

VLABench **tidak tersedia di PyPI** — satu-satunya distribusinya adalah repo GitHub [OpenMOSS/VLABench](https://github.com/OpenMOSS/VLABench) — sehingga LeRobot tidak menyediakan extra `vlabench`. Instal secara manual sebagai clone editable, bersama dengan pin MuJoCo / dm_control yang dibutuhkan VLABench, lalu ambil aset mesh:

```bash
# After following the standard LeRobot installation instructions.

git clone https://github.com/OpenMOSS/VLABench.git ~/VLABench
git clone https://github.com/motion-planning/rrt-algorithms.git ~/rrt-algorithms
pip install -e ~/VLABench -e ~/rrt-algorithms
pip install "mujoco==3.2.2" "dm-control==1.0.22" \
            open3d colorlog scikit-learn openai gdown

python ~/VLABench/scripts/download_assets.py
```

VLABench memerlukan Linux (`sys_platform == 'linux'`) dan Python 3.10+. Atur backend rendering MuJoCo sebelum dijalankan:

```bash
export MUJOCO_GL=egl  # for headless servers (HPC, cloud)
```

## Evaluasi

Semua cuplikan eval di bawah mencerminkan perintah yang dijalankan CI (lihat `.github/workflows/benchmark_tests.yml`). Argumen `--rename_map` memetakan kunci kamera `image` / `second_image` / `wrist_image` dari VLABench ke tata letak input tiga kamera (`camera1` / `camera2` / `camera3`) yang digunakan untuk melatih kebijakan `smolvla_vlabench` yang dirilis.

### Evaluasi tugas tunggal (disarankan untuk iterasi cepat)

```bash
lerobot-eval \
  --policy.path=lerobot/smolvla_vlabench \
  --env.type=vlabench \
  --env.task=select_fruit \
  --eval.batch_size=1 \
  --eval.n_episodes=10 \
  --eval.use_async_envs=false \
  --policy.device=cuda \
  '--rename_map={"observation.images.image": "observation.images.camera1", "observation.images.second_image": "observation.images.camera2", "observation.images.wrist_image": "observation.images.camera3"}'
```

### Evaluasi multi-tugas

Lewatkan daftar tugas yang dipisahkan koma:

```bash
lerobot-eval \
  --policy.path=lerobot/smolvla_vlabench \
  --env.type=vlabench \
  --env.task=select_fruit,select_toy,add_condiment,heat_food \
  --eval.batch_size=1 \
  --eval.n_episodes=10 \
  --eval.use_async_envs=false \
  --policy.device=cuda \
  '--rename_map={"observation.images.image": "observation.images.camera1", "observation.images.second_image": "observation.images.camera2", "observation.images.wrist_image": "observation.images.camera3"}'
```

### Evaluasi seluruh suite

Jalankan seluruh suite (semua 21 primitif atau semua 22 komposit):

```bash
lerobot-eval \
  --policy.path=lerobot/smolvla_vlabench \
  --env.type=vlabench \
  --env.task=primitive \
  --eval.batch_size=1 \
  --eval.n_episodes=10 \
  --eval.use_async_envs=false \
  --policy.device=cuda \
  --env.max_parallel_tasks=1 \
  '--rename_map={"observation.images.image": "observation.images.camera1", "observation.images.second_image": "observation.images.camera2", "observation.images.wrist_image": "observation.images.camera3"}'
```

Atau kedua suite:

```bash
lerobot-eval \
  --policy.path=lerobot/smolvla_vlabench \
  --env.type=vlabench \
  --env.task=primitive,composite \
  --eval.batch_size=1 \
  --eval.n_episodes=10 \
  --eval.use_async_envs=false \
  --policy.device=cuda \
  --env.max_parallel_tasks=1 \
  '--rename_map={"observation.images.image": "observation.images.camera1", "observation.images.second_image": "observation.images.camera2", "observation.images.wrist_image": "observation.images.camera3"}'
```

### Episode evaluasi yang direkomendasikan

**10 episode per tugas** untuk benchmarking yang dapat direproduksi (total 210 untuk suite primitif lengkap, 220 untuk komposit). Sesuai dengan protokol dalam paper VLABench.

## Input dan output kebijakan

**Observasi:**

- `observation.state` — keadaan ujung-efektor 7-dimensi (posisi xyz + Euler xyz + gripper)
- `observation.images.image` — kamera depan, 480×480 HWC uint8
- `observation.images.second_image` — kamera kedua, 480×480 HWC uint8
- `observation.images.wrist_image` — kamera pergelangan tangan, 480×480 HWC uint8

**Aksi:**

- Kontrol kontinu dalam `Box(-1, 1, shape=(7,))` — posisi 3D + orientasi Euler 3D + gripper 1D.

## Pelatihan

### Dataset

Dataset VLABench yang telah dikumpulkan sebelumnya dalam format LeRobot di Hub:

- [`VLABench/vlabench_primitive_ft_lerobot_video`](https://huggingface.co/datasets/VLABench/vlabench_primitive_ft_lerobot_video) — 5.000 episode, 128 tugas, gambar 480×480.
- [`VLABench/vlabench_composite_ft_lerobot_video`](https://huggingface.co/datasets/VLABench/vlabench_composite_ft_lerobot_video) — 5.977 episode, 167 tugas, gambar 224×224.

### Perintah pelatihan contoh

Lakukan fine-tuning pada SmolVLA base di suite primitif:

```bash
lerobot-train \
  --policy.type=smolvla \
  --policy.repo_id=${HF_USER}/smolvla_vlabench_primitive \
  --policy.load_vlm_weights=true \
  --policy.push_to_hub=true \
  --dataset.repo_id=VLABench/vlabench_primitive_ft_lerobot_video \
  --env.type=vlabench \
  --env.task=select_fruit \
  --output_dir=./outputs/smolvla_vlabench_primitive \
  --steps=100000 \
  --batch_size=4 \
  --env_eval_freq=5000 \
  --eval.batch_size=1 \
  --eval.n_episodes=1 \
  --save_freq=10000
```

## Mereproduksi hasil yang dipublikasikan

Checkpoint yang dirilis [`lerobot/smolvla_vlabench`](https://huggingface.co/lerobot/smolvla_vlabench) dilatih pada dataset primitive-suite di atas dan dievaluasi dengan perintah [Single-task](#single-task-evaluation-recommended-for-quick-iteration) / [Suite-wide](#suite-wide-evaluation). CI menjalankan smoke eval 10-primitive-task (satu episode masing-masing) pada setiap PR yang menyentuh benchmark.

