LeRobot 快速上手指南一条命令跑通机器人学习从数据采集到策略训练【免费下载链接】lerobot LeRobot: Making AI for Robotics more accessible with end-to-end learning项目地址: https://gitcode.com/GitHub_Trending/le/lerobot想让机器人学会抓取、听懂自然语言指令又不想陷在硬件驱动里LeRobot 是 Hugging Face 推出的开源机器人学习框架用一条命令帮你打通录数据、训策略、上真机全流程把机器人学习的入门门槛降到最低。它到底是什么端到端机器人学习框架LeRobot 是一个硬件无关、以 Python 原生的机器人学习工具链它把控制机器人、存数据、训模型、评估策略这四件事统一到一套接口下让你把精力花在算法而不是适配硬件上。生态位上它站在 PyTorch 之上、面向真实机器人同时对接 Hugging Face Hub 的海量开源数据集与预训练模型。从 SO-100 低成本机械臂到 Reachy2 人形机器人同一套 API 就能驱动支持范围见 src/lerobot/robots/。省下时间的能力三个最值钱的设计换机器人只改一行配置而不是重写驱动场景你先用 SO-101 验证任务之后想搬到另一台机械臂过去得重读传感器、重写控制代码。能力统一的Robot抽象 插件自动发现机制任何装了lerobot_robot_前缀的包都会被识别。效果切换平台通常只改一个--robot.type参数省去数周的驱动适配。数据即插即用录完就能训、能分享场景自己录的数据散落各处格式对不齐换个模型就要重新转。能力LeRobotDataset 用 Parquet 存状态动作、MP4 存视频并提供删除、切分、合并、加特征等工具。效果一次录制多模型复用推送到 Hub 后别人也能直接加载团队协作零成本。策略不用从零调一条命令开训场景模仿学习、强化学习、视觉-语言-动作VLA模型各有各的坑自己搭管线耗时。能力内置 ACT、Diffusion、Pi0、GR00T N1.7、SmolVLA 等 SOTA 策略纯 PyTorch 实现。效果lerobot-train --policy.typeact就能开始训练省掉自己调网络、调数据的调试期。五分钟跑通先装后训的最短路径最短路径只有两步——装好、用公开数据集训一个策略。pip install lerobot lerobot-info # 验证安装与环境装好后直接用 Hub 上的公开数据集训练一个 ACT 策略无需自己录数据lerobot-train \ --policy.typeact \ --dataset.repo_idlerobot/aloha_mobile_cabinet看到损失开始下降说明训练管线已经跑通。想先看机械臂实际长什么样、能做什么可以看下面这段演示再对照 examples/tutorial/act/act_training_example.py 理解最小训练示例。深入一个真实问题让 SO-101 学会把方块放进盒子问题你有一台 SO-101想让它学会把红色方块放进盒子里。但没有数据也不知道从哪一步调起。做法分三步走。遥操作录数据接上游戏手柄边动边录几十条演示就够起步。lerobot-record --robot.typeso101 --teleop.typegamepad录制时视频帧、机器人状态、动作指令会按同一时间戳自动对齐存成标准 LeRobotDataset。训练对这批数据训一个 ACT 策略指向你的本地数据集路径。上真机评估lerobot-eval --policy.path./my_model --robot.typeso101 --eval.n_episodes20结果第一版成功率不理想时不用怀疑框架多半是数据不够——再补录一批、重点补盒子附近的场景重训一次成功率就上来了。整个迭代闭环录→训→评→补数据都在 LeRobot 内完成这就是它讲故事式推进的核心体验。硬件接线与遥操作细节可查 docs/source/so101.mdx 与 docs/source/hardware_guide.mdx。底层怎么做的视觉、语言、动作如何在同一模型里对齐硬核点在于 VLA视觉-语言-动作模型如何把三件事捏到一起。以 GR00T 这类架构为例图像编码器把摄像头画面压成视觉特征语言分支把把红块放进盒子这种指令编码成语义向量两者拼接后经 Transformer 层融合再由动作解码器输出机器人下一步动作。关键在于视觉特征和语言语义在同一表征空间里做端到端对齐让模型既看得懂也听得懂最终输出可直接执行的动作序列而不是先识别物体再查规则表。这套对齐逻辑决定了模型能否真正听懂指令并泛化到新物体策略实现集中在 src/lerobot/policies/各模型的说明文档见 docs/source/ 下的对应 mdx 文件。和谁比强在哪维度LeRobotROS 2从零自研上手速度一条命令装好开训需搭节点、话题、依赖需自写驱动、管线硬件支持统一接口 插件自动发现需为每台机器人写驱动全靠自己预训练策略/模型内置 SOTA开箱即用生态散需自己集成无数据集生态标准格式 Hub 海量可加载需自建数据集管理无学习曲线平缓较陡很陡适合场景快速实验、教学、真机原型复杂多机协同系统工程高度定制、单一硬件深耕一句话ROS 2 强在系统工程与多机器人协同LeRobot 强在从数据到策略的学习闭环自研则留给你有特殊硬件且愿意长期投入的场景。新手最常问的问没有机器人硬件能先练起来吗能。先用 Hub 上的公开数据集训练和评估装好后lerobot-train就能跑仿真环境LIBERO、MetaWorld 等见 src/lerobot/envs/。问训一个简单任务要多少数据简单抓取类任务几十到上百条演示即可起步越复杂的任务数据要越多且质量比数量更关键。问需要什么硬件入门级一张消费级显卡加 16GB 内存就能训轻量策略VLA 大模型需要更强显存具体各策略的算力需求见 docs/source/hardware_guide.mdx。问能接入我自己的机器人吗能。实现标准Robot接口后录制、训练、评估工具都能直接复用接入流程见 docs/source/integrate_hardware.mdx。上手路线入门、进阶、实战入门先跑通闭环安装并运行lerobot-info验证环境参考 docs/source/installation.mdx。用公开数据集训一个 ACT 策略把lerobot-train跑通。读懂 src/lerobot/datasets/lerobot_dataset.py 里的目录结构搞懂数据怎么存。进阶换数据、换模型用遥操作录制自己的数据集掌握 LeRobotDataset 的录制与合并工具。把策略从 ACT 换到 VLA如 Pi0、GR00T体验指令驱动。了解多 GPU 训练见 docs/source/multi_gpu_training.mdx。实战上真机、做迭代在真实机器人上lerobot-eval按补数据→重训→再评估迭代提成功率。用处理管线Processor Pipeline清洗观测与动作见 docs/source/introduction_processors.mdx。把训好的模型与数据集推送到 Hub 分享给团队。现在就开始装好框架pip install lerobot再lerobot-info确认环境。从公开数据集训一个策略lerobot-train --policy.typeact --dataset.repo_idlerobot/aloha_mobile_cabinet。需要源码时克隆仓库git clone https://gitcode.com/GitHub_Trending/le/lerobot接上真机后走一遍录数据→训练→评估闭环开始迭代。文档入口总览见 docs/source/index.mdxAPI 参考见 docs/source/api/遇到问题可加入 LeRobot 的 Discord 社区提问通常很快有人响应。【免费下载链接】lerobot LeRobot: Making AI for Robotics more accessible with end-to-end learning项目地址: https://gitcode.com/GitHub_Trending/le/lerobot创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 LeRobot 快速上手指南：一条命令跑通机器人学习，从数据采集到策略训练
LeRobot 快速上手指南一条命令跑通机器人学习从数据采集到策略训练【免费下载链接】lerobot LeRobot: Making AI for Robotics more accessible with end-to-end learning项目地址: https://gitcode.com/GitHub_Trending/le/lerobot想让机器人学会抓取、听懂自然语言指令又不想陷在硬件驱动里LeRobot 是 Hugging Face 推出的开源机器人学习框架用一条命令帮你打通录数据、训策略、上真机全流程把机器人学习的入门门槛降到最低。它到底是什么端到端机器人学习框架LeRobot 是一个硬件无关、以 Python 原生的机器人学习工具链它把控制机器人、存数据、训模型、评估策略这四件事统一到一套接口下让你把精力花在算法而不是适配硬件上。生态位上它站在 PyTorch 之上、面向真实机器人同时对接 Hugging Face Hub 的海量开源数据集与预训练模型。从 SO-100 低成本机械臂到 Reachy2 人形机器人同一套 API 就能驱动支持范围见 src/lerobot/robots/。省下时间的能力三个最值钱的设计换机器人只改一行配置而不是重写驱动场景你先用 SO-101 验证任务之后想搬到另一台机械臂过去得重读传感器、重写控制代码。能力统一的Robot抽象 插件自动发现机制任何装了lerobot_robot_前缀的包都会被识别。效果切换平台通常只改一个--robot.type参数省去数周的驱动适配。数据即插即用录完就能训、能分享场景自己录的数据散落各处格式对不齐换个模型就要重新转。能力LeRobotDataset 用 Parquet 存状态动作、MP4 存视频并提供删除、切分、合并、加特征等工具。效果一次录制多模型复用推送到 Hub 后别人也能直接加载团队协作零成本。策略不用从零调一条命令开训场景模仿学习、强化学习、视觉-语言-动作VLA模型各有各的坑自己搭管线耗时。能力内置 ACT、Diffusion、Pi0、GR00T N1.7、SmolVLA 等 SOTA 策略纯 PyTorch 实现。效果lerobot-train --policy.typeact就能开始训练省掉自己调网络、调数据的调试期。五分钟跑通先装后训的最短路径最短路径只有两步——装好、用公开数据集训一个策略。pip install lerobot lerobot-info # 验证安装与环境装好后直接用 Hub 上的公开数据集训练一个 ACT 策略无需自己录数据lerobot-train \ --policy.typeact \ --dataset.repo_idlerobot/aloha_mobile_cabinet看到损失开始下降说明训练管线已经跑通。想先看机械臂实际长什么样、能做什么可以看下面这段演示再对照 examples/tutorial/act/act_training_example.py 理解最小训练示例。深入一个真实问题让 SO-101 学会把方块放进盒子问题你有一台 SO-101想让它学会把红色方块放进盒子里。但没有数据也不知道从哪一步调起。做法分三步走。遥操作录数据接上游戏手柄边动边录几十条演示就够起步。lerobot-record --robot.typeso101 --teleop.typegamepad录制时视频帧、机器人状态、动作指令会按同一时间戳自动对齐存成标准 LeRobotDataset。训练对这批数据训一个 ACT 策略指向你的本地数据集路径。上真机评估lerobot-eval --policy.path./my_model --robot.typeso101 --eval.n_episodes20结果第一版成功率不理想时不用怀疑框架多半是数据不够——再补录一批、重点补盒子附近的场景重训一次成功率就上来了。整个迭代闭环录→训→评→补数据都在 LeRobot 内完成这就是它讲故事式推进的核心体验。硬件接线与遥操作细节可查 docs/source/so101.mdx 与 docs/source/hardware_guide.mdx。底层怎么做的视觉、语言、动作如何在同一模型里对齐硬核点在于 VLA视觉-语言-动作模型如何把三件事捏到一起。以 GR00T 这类架构为例图像编码器把摄像头画面压成视觉特征语言分支把把红块放进盒子这种指令编码成语义向量两者拼接后经 Transformer 层融合再由动作解码器输出机器人下一步动作。关键在于视觉特征和语言语义在同一表征空间里做端到端对齐让模型既看得懂也听得懂最终输出可直接执行的动作序列而不是先识别物体再查规则表。这套对齐逻辑决定了模型能否真正听懂指令并泛化到新物体策略实现集中在 src/lerobot/policies/各模型的说明文档见 docs/source/ 下的对应 mdx 文件。和谁比强在哪维度LeRobotROS 2从零自研上手速度一条命令装好开训需搭节点、话题、依赖需自写驱动、管线硬件支持统一接口 插件自动发现需为每台机器人写驱动全靠自己预训练策略/模型内置 SOTA开箱即用生态散需自己集成无数据集生态标准格式 Hub 海量可加载需自建数据集管理无学习曲线平缓较陡很陡适合场景快速实验、教学、真机原型复杂多机协同系统工程高度定制、单一硬件深耕一句话ROS 2 强在系统工程与多机器人协同LeRobot 强在从数据到策略的学习闭环自研则留给你有特殊硬件且愿意长期投入的场景。新手最常问的问没有机器人硬件能先练起来吗能。先用 Hub 上的公开数据集训练和评估装好后lerobot-train就能跑仿真环境LIBERO、MetaWorld 等见 src/lerobot/envs/。问训一个简单任务要多少数据简单抓取类任务几十到上百条演示即可起步越复杂的任务数据要越多且质量比数量更关键。问需要什么硬件入门级一张消费级显卡加 16GB 内存就能训轻量策略VLA 大模型需要更强显存具体各策略的算力需求见 docs/source/hardware_guide.mdx。问能接入我自己的机器人吗能。实现标准Robot接口后录制、训练、评估工具都能直接复用接入流程见 docs/source/integrate_hardware.mdx。上手路线入门、进阶、实战入门先跑通闭环安装并运行lerobot-info验证环境参考 docs/source/installation.mdx。用公开数据集训一个 ACT 策略把lerobot-train跑通。读懂 src/lerobot/datasets/lerobot_dataset.py 里的目录结构搞懂数据怎么存。进阶换数据、换模型用遥操作录制自己的数据集掌握 LeRobotDataset 的录制与合并工具。把策略从 ACT 换到 VLA如 Pi0、GR00T体验指令驱动。了解多 GPU 训练见 docs/source/multi_gpu_training.mdx。实战上真机、做迭代在真实机器人上lerobot-eval按补数据→重训→再评估迭代提成功率。用处理管线Processor Pipeline清洗观测与动作见 docs/source/introduction_processors.mdx。把训好的模型与数据集推送到 Hub 分享给团队。现在就开始装好框架pip install lerobot再lerobot-info确认环境。从公开数据集训一个策略lerobot-train --policy.typeact --dataset.repo_idlerobot/aloha_mobile_cabinet。需要源码时克隆仓库git clone https://gitcode.com/GitHub_Trending/le/lerobot接上真机后走一遍录数据→训练→评估闭环开始迭代。文档入口总览见 docs/source/index.mdxAPI 参考见 docs/source/api/遇到问题可加入 LeRobot 的 Discord 社区提问通常很快有人响应。【免费下载链接】lerobot LeRobot: Making AI for Robotics more accessible with end-to-end learning项目地址: https://gitcode.com/GitHub_Trending/le/lerobot创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考