LeRobot 机器人策略实操指南录数据、训练、仿真评估一条龙【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想让机械臂学会抓方块不用先碰真机。LeRobot 是一套端到端机器人学习框架录演示数据、训练策略、仿真评估、部署真机全打通。本文带你把这条链路完整跑一遍——装环境约 10 分钟训练加评估约 1 小时。快速起步3 条命令装好环境先给结论最低要求是 Python 3.12、Linux 或 macOS、16GB 内存、约 50GB 磁盘有 NVIDIA GPU 体验更好纯 CPU 也能跑小数据集。git clone https://gitcode.com/GitHub_Trending/le/lerobot # 拉取源码 cd lerobot conda create -y -n lerobot python3.12 conda activate lerobot # 独立 Python 环境 conda install ffmpeg -c conda-forge # 数据集视频解码依赖 pip install -e .[aloha,pusht,training] # 两个仿真环境 训练依赖装完用一条命令验证python -c import lerobot, gym_aloha, gym_pusht; print(lerobot.__version__)能打印版本号就说明依赖齐了后面所有命令都在这个环境里执行。第一步遥操作录出第一批演示数据 遥操作可以理解为你手推一只主臂从动臂复刻动作程序把每一帧画面和关节值存进数据集。有真机时参数直接写进命令行lerobot-record \ --robot.typeso100_follower --robot.port/dev/ttyACM0 \ --teleop.typeso100_leader \ --dataset.repo_id你/pick_cube \ --dataset.num_episodes50 \ --dataset.single_taskGrab the cube参数作用--robot.type/--robot.port从动臂型号与串口--teleop.type控制设备如 SO100 主臂--dataset.repo_id数据集 ID格式为用户名/数据集名--dataset.num_episodes录制集数建议从 50 集起步--dataset.single_task一句话任务描述每录完一集会提示复位环境留十几秒把物体摆回原位再松手。录完先做质量自查运行lerobot-dataset-viz --repo_id 你/pick_cube视频帧和动作曲线对得上的集数占比高才算合格动作忽大忽小的集可以用lerobot-edit-dataset删掉。没有真机也照样起步——训练和评估直接换用 Hub 上的公开演示数据集如lerobot/aloha_insertion即可跳过录制。第二步用 ACT 跑通第一次策略训练数据量 50 集左右时推荐 ACT训练快、显存省单卡几小时能跑完 10 万步实现见 src/lerobot/policies/act/默认超参基本不用动。动作分布多模态、抓取得更精细的场景再考虑 Diffusion需 100 集没有相机、只靠低维状态的任务看 TDMPC。lerobot-train \ --dataset.repo_id你/pick_cube \ --policy.typeact \ --policy.devicecuda \ --output_diroutputs/train/act_pick \ --job_nameact_pick参数作用--policy.type策略类型这里是 act--dataset.repo_id指向第一步录出的数据集--policy.device训练设备有卡填 cuda--output_dir权重与日志输出目录判断这一步做对了训练开着 wandb 时盯loss曲线稳定下降说明在学东西跑完outputs/train/act_pick/checkpoints/下出现带pretrained_model的目录就拿到了可评估的权重。第三步仿真评估用三个数字定成败评估就是让训好的策略在仿真环境里自己跑若干集、自己打自己。以 aloha 插入任务为例lerobot-eval \ --policy.pathoutputs/train/act_pick/checkpoints/step/pretrained_model \ --env.typealoha --env.taskAlohaInsertion-v0 \ --eval.n_episodes20 \ --policy.devicecuda跑完看输出目录里的eval_info.json成败就取决于三个数指标含义pc_success成功率20 集成 15 集即 75%是最核心的判据avg_sum_reward平均奖励成功率接近时它高说明完成得更稳、步数更省eval_ep_s单集耗时推理太慢上真机容易掉帧不达标时优先补数据而不是调参每集换不同的物体初始位姿多样性直接决定泛化失败集的视频翻一遍缺哪类场景一眼就能看出来其次才动--batch_size和学习率。收尾把策略搬上真机仿真 90% 成功率不等于真机 90%部署前把三件事对齐--fps与数据集一致真机常见 10~30Hz、相机数量与关节/末端位姿表示一致、训练用过的观测项都在用lerobot-info核对数据集特征。然后一条命令部署lerobot-rollout \ --strategy.typebase \ --policy.pathoutputs/train/act_pick/checkpoints/step/pretrained_model \ --robot.typeso100_follower --robot.port/dev/ttyACM0 \ --taskGrab the cube --duration30 首跑加--display_datatrue在 Rerun 窗口里盯夹爪和关节曲线是否平滑动作卡顿就加--use_torch_compiletrue提速。下一步去哪常见问题速查现象一句话对策loss 不降先查数据质量与数量补演示再谈调参真机上动作错乱、跳变用lerobot-info核对观测维度与训练数据集一致真机推理卡顿掉帧加--use_torch_compiletrue仍慢就换更轻的策略想弃掉录坏的集lerobot-edit-dataset按 episode 删除没真机想继续练换仿真环境直接拉 Hub 公开数据集开训进阶导航方向看这里ACT 原理与训练配方docs/source/act.mdx、src/lerobot/policies/act/多卡分布式训练docs/source/multi_gpu_training.mdx用强化学习继续进化HIL-SERLdocs/source/hilserl.mdx、src/lerobot/rl/真机部署与异步推理docs/source/inference.mdx、src/lerobot/async_inference/自定义策略接入docs/source/bring_your_own_policies.mdx、src/lerobot/policies/factory.py更多参数都在 docs/ 里卡住了先查文档再动手。【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