LeRobot 快速上手指南：如何教机械臂学会抓取
【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
想让机械臂学会"把红色积木放进碗"，你需要自己录演示、对齐数据、训练策略、再部署回真机，每一步都可能卡在环境配置上。LeRobot 是 Hugging Face 推出的开源机器人学习框架，把这条完整流水线封装进一个 PyTorch 包里：统一接口控制不同机器人、标准化数据集格式、内置多种预训练策略，让你从"调硬件"转向"调模型"。
省掉的三件事：不用写驱动、不用管数据格式、不用挑算法
硬件无关的 Robot 接口，换机器人只换配置
以前每接一台机器人，都要重写一套舵机、电机、传感器的控制代码。LeRobot 用一个统一的Robot类把这层抽象掉——connect()、get_observation()、send_action()三个方法，从几十元的 SO-100 机械臂到人形 Reachy2 通用一套。你切换机器人时改的是配置，不是代码。第三方生态也走同一条路：任何安装后以lerobot_robot_等前缀命名的包会被自动发现，装完就能在命令行里直接引用。
LeRobotDataset：机器人数据的"通用插座"
各家机器人的数据格式五花八门，模型很难跨硬件迁移。LeRobotDataset 把这个问题定死了：视觉数据存成 MP4 视频流，状态和动作存成 Parquet 表格，两者天然对齐，支持流式读取和 Hub 托管，删片段、拆分、合并都有一行工具命令可用。你不用关心"视频帧和状态数据怎么对得上"这类脏活。
策略库即插即用：ACT、Diffusion、Pi0 都在里面
框架内置的纯 PyTorch 策略覆盖三类需求：模仿学习（ACT、Diffusion）、强化学习（HIL-SERL、TDMPC）、以及能听懂语言指令的视觉-语言-动作模型（Pi0、Pi0.5、Gr00T N1.7、SmolVLA 等）。选哪个策略，基本取决于你的任务和数据量，而不需要自己实现算法。
5 分钟跑通第一条指令：安装、录数据、开训
先装包并验证环境：
pip install lerobot lerobot-info一条命令装好，第二条确认安装成功，之后所有功能都以lerobot-开头的命令行工具存在。
采集演示数据（以 SO-101 机械臂为例，完整参数见常用命令速查）：
lerobot-record \ --robot.type=so101_follower --robot.port=/dev/ttyACM0 \ --teleop.type=gamepad --dataset.repo_id=${HF_USER}/my_demo录制时用键盘控制：方向键保存或删除当前片段，Esc 结束并上传。数据自动同步记录视频、关节状态和你的动作指令。
有了数据就能开训：
lerobot-train --dataset.repo_id=${HF_USER}/my_demo \ --policy.type=act --output_dir=outputs/train/act_test没有本地 GPU？给命令加--job.target=a10g-small，训练会跑在云端机器上，完事把模型推回你的账号。
深挖 LeRobotDataset：视频帧和状态数据为什么永远不会错位
机器人数据集最常见的翻车点是错位：视频有 12 万帧、状态表少了 3 行，训练时才发现对不上。LeRobotDataset 的做法是让时间轴只有一份——视觉走视频流，状态/动作走 Parquet 表格，读取时框架自动做视频解码和时间对齐，你拿到的第 N 帧，视觉和状态天然是一对。
围绕这个格式还配了一整套工具：删片段、按比例拆分、增删特征、合并多个数据集，都有对应命令（数据集工具用法）。这意味着"数据质量不达标"不再等于推倒重采。
新手最常问的四个问题
没有 GPU 能跑吗？可以。训练时加--job.target=a10g-small走云端即可，本地连调试都不用 GPU。各策略的显存需求见硬件需求文档。
数据格式到底是什么？MP4 视频 + Parquet 表格。视频是像素，表格是关节角和动作指令，两者按帧号对齐；加载后自动处理视频解码，你直接按索引取样本就行。
我的机器人不在支持列表里怎么办？实现标准 Robot 接口（connect/get_observation/send_action三个方法）即可接入整套录制、训练、评估流程，集成思路见硬件集成文档。
训练时要盯着屏幕吗？不需要。命令默认集成 WandB 日志，训练完的模型直接推到 Hub，再用lerobot-rollout在真机上推理验证。
下一步可以做什么
- 打开快速上手 Notebook，把上面三条命令换成你的硬件参数跑一遍；
- 读一遍官方文档，重点看安装和数据集两章；
- 没有硬件也没关系：从 ACT 训练示例 入手，先在公开数据集上把训练和评估跑通，再考虑上真机。
先录 30 段演示，剩下的交给框架。
【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
