企业官网建设流程全解析

LeRobot 实战指南：从零训练并部署你的第一个机器人策略

【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

LeRobot 是 Hugging Face 开源的机器人学习框架，它把硬件控制、数据集格式、模型训练和真机评测打包成一套命令行工具链，让你不用自己拼接各种库。本文以低成本的 SO-100 机械臂为例，带你把环境装好、数据采到、策略训出来，最后跑上真机。

三步装好 LeRobot 环境

先说结论：当前版本 0.6.2 要求 Python 3.12，老环境直接用会撞依赖，不如新开一个。

git clone https://gitcode.com/GitHub_Trending/le/lerobot cd lerobot pip install -e ".[core_scripts]" lerobot-info

[core_scripts]这一组依赖装好后，录制、回放、校准这些硬件相关命令就都能用了；lerobot-info打出版本信息即安装成功。接下来要训练模型的话再补一句pip install -e ".[training]"，接 Feetech 舵机之类的硬件则按.[feetech]这样安装对应附加包，完整说明见安装文档。

提示：视频解码依赖 ffmpeg。Linux 下报缺视频库时，先用sudo apt install ffmpeg装上再安装。

接上 SO-100：先找端口，再校准

在机械臂第一次动起来之前，两件事缺一不可：找到串口号、完成关节校准。

SO-100 是一款可 3D 打印的开源低成本机械臂，也是 LeRobot 最常见的入门硬件。整个流程是"主臂（leader，你手动操作）+ 从臂（follower，负责执行）"成对出现。接好 USB 后先找端口：

lerobot-find-port lerobot-setup-motors --robot.type=so100 lerobot-calibrate --robot.type=so100

第一条命令会提示你反复插拔 USB 线，以此区分哪条/dev/tty路径对应哪只手臂。后两条依次配置电机 ID 和关节角度，校准时手动把机械臂摆到"全开/全关"两个极限位姿。成功的标志：上电后关节不抖、有稳定的初始姿态。不同硬件平台的依赖和接线各有差异，大致如下：

细节参见 SO-100 硬件文档。

遥操作采数据：模型只会模仿你演示的

结论先行：模仿学习不会"推理"，它只是照着你的演示学，所以演示质量直接决定模型上限。

遥操作的含义是：你动主臂，从臂实时跟着动；从臂上的相机录画面，同时把关节角度和你的动作一起写进数据集。LeRobotDataset 是统一的存储格式——画面存成 MP4 视频，关节和动作这类数值存成 Parquet 文件（一种读写查询都快的列式格式），好处是体积可控、加载时不用解压一整个压缩包。

lerobot-record \ --robot.type=so100 \ --teleop.type=so100 \ --dataset.repo_id=yourname/my-first-dataset \ --dataset.num_episodes=10

运行时会有画面预览窗口。动作要慢、重复、任务目标一致（比如反复"把瓶子放到杯子上"），每个演示结束按键保存，攒够 10 条左右就能第一次训练。采完务必跑一下lerobot-dataset-viz回放，确认视频和关节曲线对齐，不对齐就别拿去训。

一条命令训练策略：新手选 ACT 就够

LeRobot 内置了一批纯 PyTorch 实现的策略，入门阶段不用被数量吓到，常用的是这几类：

以 GR00T 这类 VLA 为例，图像、语言和动作流在同一套 Transformer 里编码融合，结构如下：

训练只改两个参数即可：

lerobot-train \ --policy.type=act \ --dataset.repo_id=yourname/my-first-dataset

loss 平稳下降就算在正常学，检查点会存到outputs/train/下。每个模型一个独立目录，想看实现直接翻策略源码。

真机评测：先回放，再上模型

结论：上真机前先"回放"一次采集的数据，这是排查"数据→动作"链路最便宜的手段。回放让从臂逐帧复现你录下的轨迹，动作歪了就是校准或端口出了问题，先修它，再谈训练。

lerobot-replay --dataset.repo_id=yourname/my-first-dataset lerobot-eval \ --policy.path=outputs/train/<你的run名>/pretrained_model \ --env.type=libero --env.task=libero_object --eval.n_episodes=10

第二条是官方示例的仿真评测（LIBERO 是常用的桌面操作基准），在真机上评测则把环境参数换成--robot.type=so100。两个常见现象的对策：动作抖，通常是控制频率和录制帧率不一致，按录制 FPS 对齐控制节拍即可，示例脚本里就是用precise_sleep对齐的；动作偏快或毛刺多，在处理器管线里加一级动作平滑步骤。

卡住时按这张清单自查

• 装不上、依赖打架 → 重开 Python 3.12 环境，别在旧环境里硬凑
• 连不上硬件 → 确认端口找对了；Linux 下串口无权限时把用户加进dialout组
• 数据没存上或音视频错位 → 先检查 ffmpeg 是否正常
• 训练 loss 不降 → 回看数据回放，多半是演示里混进了无关动作

现在就能做的三件事

1. 按第一节把环境装好，用lerobot-info确认版本
2. 打开examples/so100_to_so100_EE/，通读录制和回放脚本，理解一次数据是怎么落盘的
3. 手上没有机械臂？先跑一次lerobot-train --policy.type=act，用 Hub 上现成的公开数据集走完训练流程

【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