企业官网建设流程全解析

TRLC-DK1 是一个面向 AI-native 机器人的开源开发者套件，由 Leader 主臂遥操作、6 自由度 Follower 从臂和 LeRobot 集成组成。本文带你走完完整闭环：用 TRLC-DK1 做遥操作采集数据 → 录制符合规范的训练数据集 → 训练扩散策略（Diffusion Policy）→ 把策略部署回从臂自主执行。无需深厚机器人背景，跟着步骤就能跑通从遥操作到策略学习的全流程。

为什么遥操作只是第一步？

传统玩法是「人操作主臂 → 从臂跟随」，这只能验证硬件和链路是否正常。而真正的目标是：让**扩散策略（Diffusion Policy）**从你采集的数据中学习技能，最终脱离人类、自主完成任务。

TRLC-DK1 的价值在于把这条链路全部打通了：

• 🤖数据采集：主臂（Leader）+ 从臂（Follower）遥操作，摄像头同步记录图像
• 📦数据格式：直接兼容 LeRobot 数据集规范，开箱即训
• 🧠策略执行：扩散策略输出的关节角度直接作为动作空间，部署回从臂

整个流程可以概括为一句话：你的每一次遥操作，都是喂给扩散策略的一条训练样本。

快速认识 TRLC-DK1 的软硬件架构

硬件：一主一从，即插即用

• Leader 主臂：人手直接抓握、拉动的主臂，通过霍尔传感器读取每个关节角度
• Follower 从臂：6 自由度机械臂 + 单指夹爪，内置 3 颗 DM4340 + 4 颗 DM4310 伺服电机
• 摄像头：支持头部相机 + 腕部相机（UVC 相机即插即用）

软件：三层架构各司其职

TRLC-DK1 的控制栈在 trlc_dk1_control/ 目录下，核心分三层：

所有可调参数（PD 增益、关节限位、力矩上限、超时看门狗等）集中在 config.py 中，新手无需改代码就能理解每个参数的物理含义。

第一步：安装环境并跑通遥操作

一键安装

仓库采用 LeRobot 插件约定，安装后会被 LeRobot 自动识别为机器人设备：

git clone https://gitcode.com/gh_mirrors/tr/trlc-dk1 cd trlc-dk1 uv venv uv pip install -e .

找到串口和摄像头

uv run lerobot-find-port uv run lerobot-find-cameras

启动单臂遥操作

uv run lerobot-teleoperate \ --robot.type=dk1_follower \ --robot.port=/dev/ttyACM0 \ --teleop.type=dk1_leader \ --teleop.port=/dev/ttyACM1 \ --robot.cameras="{ context: {type: opencv, index_or_path: 0, width: 960, height: 540, fps: 60}, wrist: {type: opencv, index_or_path: 1, width: 960, height: 540, fps: 60, rotation: 180} }" \ --display_data=true

主臂动一下，从臂就跟着动——恭喜，遥操作链路已跑通。💪

💡 也可以直接运行 examples/teleop.py 这个最小化脚本，用约 30 行代码看懂「主臂读角度 → 从臂执行」的核心循环；首次使用建议先跑 examples/calibration_follower.py 把各关节零位校准好。

第二步：录制扩散策略的训练数据集

遥操作只是手段，数据集才是燃料。TRLC-DK1 通过 LeRobot 的录制管线，把每次遥操作自动存成标准数据集。

uv run lerobot-record \ --robot.type=dk1_follower \ --robot.port=/dev/ttyACM0 \ --teleop.type=dk1_leader \ --teleop.port=/dev/ttyACM1 \ --robot.cameras="{...}" \ --dataset.repo_id=$USER/my_test_dataset \ --dataset.push_to_hub=false \ --dataset.num_episodes=50 \ --dataset.episode_time_s=30 \ --dataset.single_task="Pick up the red block."

关键参数解读（这些直接决定扩散策略的学习效果）：

• num_episodes：集数。新手建议先录 50 集，熟练后可扩到 200~500 集
• episode_time_s：单集时长。建议固定时长，便于策略学习时序
• single_task：语言指令。描述任务越清晰，「语言条件扩散策略」效果越好
• push_to_hub=false：本地存储，先练手

从臂记录了什么？观察空间与动作空间

LeRobot 插件在 follower.py 中定义了两组特征，正好是扩散策略的输入/输出：

• 观察（observation）：joint_1.pos~joint_6.pos（6 个关节角度）+gripper.pos（夹爪）+ 各摄像头图像
• 动作（action）：同样 7 维——6 个关节目标角度 + 夹爪开合

这 7 维动作空间与扩散策略的输出天然对齐，不需要任何额外映射层。

想上双臂？换个类型即可

双 TRLC-DK1 从臂 + 双主臂可直接录双臂数据集，参考 examples/bi_teleop.py，把命令里的robot.type换成bi_dk1_follower即可。

第三步：训练扩散策略并部署回 TRLC-DK1

训练

数据就绪后，用 LeRobot 的训练命令选择扩散策略即可（示例，具体参数以你安装的 LeRobot 版本为准）：

uv run lerobot-train \ --policy.type=diffusion_policy \ --dataset.repo_id=$USER/my_test_dataset \ --job_name=my_diffusion_run

训练完成后，评估阶段可以先把策略部署到MuJoCo 仿真中验证——仓库自带完整的 URDF 模型（视觉网格 GLB + 碰撞网格 STL），见 urdf/follower/TRLC-DK1-Follower.urdf。

仿真中表现稳定后，再切换回真机执行：

uv run lerobot-eval \ --robot.type=dk1_follower \ --robot.port=/dev/ttyACM0 \ --policy.path=runs/diffusion_policy/.../checkpoint

为什么 TRLC-DK1 适合跑扩散策略？

扩散策略推理时要做多步去噪，两次动作指令之间会有一段「空窗期」。很多低成本机械臂此时会软塌塌地下坠，而 TRLC-DK1 专门为此做了工程化处理（见 robot.py 的看门狗逻辑）：

• 指令空窗期：自动保持上一个目标位，维持满刚度 + 重力补偿，从臂纹丝不动
• 重力前馈：每个 250 Hz 周期用 MuJoCo 逆动力学算出重力力矩并补偿，悬停不漂移
• 安全兜底：指令被关节限位裁剪、力矩超限自动进入阻尼模式保护电机
• 低延迟：动作指令非阻塞写入共享缓冲，串口超时设为 5 ms，不拖慢控制环

这些细节决定了真机部署时策略「手感」的丝滑程度，也是新手最容易踩坑的地方。

新手实战清单：3 个最容易踩的坑

1. 零位不准→ 从臂动作怪异。先跑 examples/calibration_follower.py 校准，再录数据
2. 两种控制模式混淆→ 从臂支持impedance（阻抗控制，默认，推荐）和pos_vel（位置/速度模式），配置项见 follower.py，新手请保持默认的阻抗模式
3. 摄像头朝向→ 腕部相机通常需要rotation: 180，否则图像上下颠倒，策略学到的就是「倒着看」的世界

常见问题

Q：为什么从臂遥操作时偶尔「发飘」？A：检查 PD 增益与重力补偿系数gravity_comp_scale（在 config.py 中），按经验微调至 0.8~1.2 之间。

Q：录数据时主臂从臂不同步？A：确认lerobot-find-port找到的主/从臂串口没有接反，主臂动从臂不动通常是端口对调。

Q：数据集要多少集才够？A：简单抓取任务 50~100 集可见效，复杂任务建议 200 集以上，并保证轨迹多样性（不同起点、姿态、速度）。

写在最后

TRLC-DK1 把「遥操作 → 数据集 → 扩散策略 → 自主执行」这条 AI 机器人最经典的路线压进了一套开源硬件里。跑通本文三步之后，你就拥有了一个完整的策略学习工作台：换任务、换数据集、换策略（VLA、ACT 等），都是同一套流程的简单替换。动手录你的第一组数据吧——每一次遥操作，都是扩散策略学会新技能的机会。🚀