LeRobot 快速上手指南从一条命令安装到真机采集、训练与部署【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你想让机械臂学会抓取积木却发现光写硬件驱动和串口通信就要花掉一周这正是 Hugging Face 开源的LeRobot想解决的问题它是一个基于 PyTorch 的端到端机器人学习框架把硬件控制、数据集管理、策略训练和部署评估整合在一套统一接口里让你直接站在现成的数据和模型上起步。项目速览LeRobot 是一套 PyTorch 原生的机器人学习工具链统一Robot控制接口屏蔽硬件差异标准化 LeRobotDataset 格式解决数据碎片化内置从模仿学习到视觉-语言-动作VLA模型的多种现成策略。适合想入门机器人学习的初学者也适合有硬件、想快速验证算法的开发者。它能帮你做的事统一控制多种硬件SO100、LeKiwi、Koch、Reachy2、Unitree G1、OpenARM 等十多种机器人以及键盘、手柄、手机等遥操作设备同一套 API标准化数据集MP4 视频 Parquet 状态/动作数据可直接从 Hugging Face Hub 加载数千个公开数据集训练与评估策略ACT、Diffusion、Pi0、SmolVLA、GR00T N1.7 等现成模型一条命令开训完整工具链遥操作录制lerobot-record、回放lerobot-replay、训练lerobot-train、评估lerobot-eval、真机部署lerobot-rollout三分钟起步最短路径就是装好 → 跑通lerobot-info。先建一个独立环境官方要求 Python ≥ 3.12避免依赖冲突conda create -y -n lerobot python3.12 conda activate lerobot基础包只装核心 ML 依赖故意保持轻量pip install lerobot按你的工作流选装 extras——只做训练选[training]要操作真机选[core_scripts]全都要就[all]pip install lerobot[training]验证安装lerobot-info预期会打印出版本号和可用的功能模块看到版本号当前 0.6.2就说明一切正常。平台注意点Linux支持 TorchCodec 视频解码需装ffmpegconda install ffmpeg -c conda-forgeLinux 上 PyTorch 默认 cu128 wheelmacOS (Apple Silicon)直接可用MPS 加速macOS Intel / Linux ARM无 TorchCodec wheel自动回退 pyav无需装 ffmpegWSL额外安装evdevconda install evdev -c conda-forge完整细节见 docs/source/installation.mdx。核心链路实操整条链路是数据 → 模型 → 落地。每个环节都有对应的 CLI。1. 数据用lerobot-record遥操作录制装好[core_scripts]后用主从臂leader 控制 follower边演示边录制一条命令把相机画面和关节状态存成标准数据集lerobot-record \ --robot.typeso100_follower \ --robot.port/dev/tty.usbmodemXXX \ --teleop.typeso100_leader \ --teleop.port/dev/tty.usbmodemYYY \ --dataset.repo_id你的用户名/my_dataset \ --dataset.num_episodes2 \ --dataset.single_taskGrab the cube录完可以用lerobot-dataset-viz --repo-id 你的用户名/my_dataset --episode-index 0逐帧回放检查数据质量也可以用lerobot-replay让机器人重放录制的动作验证硬件没录错。没有机器人也没关系——Hub 上有公开数据集如lerobot/aloha_mobile_cabinet、lerobot/pusht可以直接加载训练。2. 模型用lerobot-train一条命令开训lerobot-train \ --policy.typeact \ --dataset.repo_idlerobot/aloha_mobile_cabinet指定策略类型和数据集即可输出默认落在outputs/train/下。多卡训练用torchrun --nproc-per-node8 $(which lerobot-train) ... --parallelism.dp_shard8 --accelerator.mixed_precisionbf16启动。想要不写任何 CLI 的纯 Python 训练流程可以参考 examples/tutorial/act/act_training_example.py。3. 落地评估 部署先在仿真基准上验证再上真机# 在 pusht 仿真环境评估 10 集 lerobot-eval \ --policy.pathlerobot/diffusion_pusht \ --env.typepusht \ --eval.n_episodes10 # 真机部署自主 rollout lerobot-rollout \ --strategy.typebase \ --policy.pathlerobot/act_koch_real \ --robot.typekoch_follower \ --robot.port/dev/ttyACM0 \ --taskpick up cube \ --duration30进阶能力按需扩展如果你要用 VLA 大模型装对应 extra如pip install lerobot[pi]即可训练/部署 Pi0、Pi0.5、Pi0Fast、SmolVLA、GR00T N1.7 等慢推理的 VLA 可加--inference.typertcReal-Time Chunking降低延迟如果你要做强化学习内置 HIL-SERL人在回路和 TDMPC示例在 examples/tutorial/rl/如果你的机器臂不在原生支持列表里装社区插件即可被自动发现命名规则为lerobot_robot_名称/lerobot_teleoperator_名称装好后直接--robot.type名称使用如果你想自己写策略实现策略接口后即可复用 LeRobot 的采集、训练、可视化全流程参考 docs/source/bring_your_own_policies.mdx如果你要标注数据lerobot-annotate提供标注流水线配合 SARM、TOPReward 等奖励模型做子任务标注避坑速查现象常见原因一句话解法装包时构建报错缺系统编译依赖sudo apt-get install cmake build-essential libavformat-dev libavcodec-dev ...见安装文档视频解码异常缺 ffmpeg 或平台不支持 TorchCodecconda install ffmpeg -c conda-forge不支持的平台会自动回退 pyav忽略即可连不上串口ConnectionError端口权限不足用lerobot-find-port确认设备给当前用户加 dialout 组权限训练显存不足CUDA out of memory批次过大 / 图像分辨率高减batch_size、开混合精度--accelerator.mixed_precisionbf16机器人动作卡顿控制频率与推理不匹配VLA 模型加--inference.typertc或用lerobot-calibrate先校准成长路线先无硬件上手用 Hub 公开数据集如lerobot/pusht跑通lerobot-trainlerobot-eval熟悉数据 → 训练 → 评估闭环再接一台低成本硬件SO100 是最常见的入门选择走一遍lerobot-calibrate→lerobot-teleoperate→lerobot-record→lerobot-replay把真实数据采集流程走通然后深入源码与社区策略实现在 src/lerobot/policies/硬件抽象在 src/lerobot/robots/各策略说明在 docs/source/文档、中文教程和 Discord 社区的入口都列在 README.md 的 Resources 部分有问题优先查 Issues项目目前迭代很快VLA 模型、世界模型和奖励模型都在持续入库基准环境LIBERO、MetaWorld 等和硬件插件生态也在扩张——关注版本说明基本能跟上它的能力边界。先跑通lerobot-train --policy.typeact --dataset.repo_idlerobot/aloha_mobile_cabinet这一条命令——训练完你就已经站在了机器人学习的全流程之上。【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 快速上手指南从一条命令安装到真机采集、训练与部署【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你想让机械臂学会抓取积木却发现光写硬件驱动和串口通信就要花掉一周这正是 Hugging Face 开源的LeRobot想解决的问题它是一个基于 PyTorch 的端到端机器人学习框架把硬件控制、数据集管理、策略训练和部署评估整合在一套统一接口里让你直接站在现成的数据和模型上起步。项目速览LeRobot 是一套 PyTorch 原生的机器人学习工具链统一Robot控制接口屏蔽硬件差异标准化 LeRobotDataset 格式解决数据碎片化内置从模仿学习到视觉-语言-动作VLA模型的多种现成策略。适合想入门机器人学习的初学者也适合有硬件、想快速验证算法的开发者。它能帮你做的事统一控制多种硬件SO100、LeKiwi、Koch、Reachy2、Unitree G1、OpenARM 等十多种机器人以及键盘、手柄、手机等遥操作设备同一套 API标准化数据集MP4 视频 Parquet 状态/动作数据可直接从 Hugging Face Hub 加载数千个公开数据集训练与评估策略ACT、Diffusion、Pi0、SmolVLA、GR00T N1.7 等现成模型一条命令开训完整工具链遥操作录制lerobot-record、回放lerobot-replay、训练lerobot-train、评估lerobot-eval、真机部署lerobot-rollout三分钟起步最短路径就是装好 → 跑通lerobot-info。先建一个独立环境官方要求 Python ≥ 3.12避免依赖冲突conda create -y -n lerobot python3.12 conda activate lerobot基础包只装核心 ML 依赖故意保持轻量pip install lerobot按你的工作流选装 extras——只做训练选[training]要操作真机选[core_scripts]全都要就[all]pip install lerobot[training]验证安装lerobot-info预期会打印出版本号和可用的功能模块看到版本号当前 0.6.2就说明一切正常。平台注意点Linux支持 TorchCodec 视频解码需装ffmpegconda install ffmpeg -c conda-forgeLinux 上 PyTorch 默认 cu128 wheelmacOS (Apple Silicon)直接可用MPS 加速macOS Intel / Linux ARM无 TorchCodec wheel自动回退 pyav无需装 ffmpegWSL额外安装evdevconda install evdev -c conda-forge完整细节见 docs/source/installation.mdx。核心链路实操整条链路是数据 → 模型 → 落地。每个环节都有对应的 CLI。1. 数据用lerobot-record遥操作录制装好[core_scripts]后用主从臂leader 控制 follower边演示边录制一条命令把相机画面和关节状态存成标准数据集lerobot-record \ --robot.typeso100_follower \ --robot.port/dev/tty.usbmodemXXX \ --teleop.typeso100_leader \ --teleop.port/dev/tty.usbmodemYYY \ --dataset.repo_id你的用户名/my_dataset \ --dataset.num_episodes2 \ --dataset.single_taskGrab the cube录完可以用lerobot-dataset-viz --repo-id 你的用户名/my_dataset --episode-index 0逐帧回放检查数据质量也可以用lerobot-replay让机器人重放录制的动作验证硬件没录错。没有机器人也没关系——Hub 上有公开数据集如lerobot/aloha_mobile_cabinet、lerobot/pusht可以直接加载训练。2. 模型用lerobot-train一条命令开训lerobot-train \ --policy.typeact \ --dataset.repo_idlerobot/aloha_mobile_cabinet指定策略类型和数据集即可输出默认落在outputs/train/下。多卡训练用torchrun --nproc-per-node8 $(which lerobot-train) ... --parallelism.dp_shard8 --accelerator.mixed_precisionbf16启动。想要不写任何 CLI 的纯 Python 训练流程可以参考 examples/tutorial/act/act_training_example.py。3. 落地评估 部署先在仿真基准上验证再上真机# 在 pusht 仿真环境评估 10 集 lerobot-eval \ --policy.pathlerobot/diffusion_pusht \ --env.typepusht \ --eval.n_episodes10 # 真机部署自主 rollout lerobot-rollout \ --strategy.typebase \ --policy.pathlerobot/act_koch_real \ --robot.typekoch_follower \ --robot.port/dev/ttyACM0 \ --taskpick up cube \ --duration30进阶能力按需扩展如果你要用 VLA 大模型装对应 extra如pip install lerobot[pi]即可训练/部署 Pi0、Pi0.5、Pi0Fast、SmolVLA、GR00T N1.7 等慢推理的 VLA 可加--inference.typertcReal-Time Chunking降低延迟如果你要做强化学习内置 HIL-SERL人在回路和 TDMPC示例在 examples/tutorial/rl/如果你的机器臂不在原生支持列表里装社区插件即可被自动发现命名规则为lerobot_robot_名称/lerobot_teleoperator_名称装好后直接--robot.type名称使用如果你想自己写策略实现策略接口后即可复用 LeRobot 的采集、训练、可视化全流程参考 docs/source/bring_your_own_policies.mdx如果你要标注数据lerobot-annotate提供标注流水线配合 SARM、TOPReward 等奖励模型做子任务标注避坑速查现象常见原因一句话解法装包时构建报错缺系统编译依赖sudo apt-get install cmake build-essential libavformat-dev libavcodec-dev ...见安装文档视频解码异常缺 ffmpeg 或平台不支持 TorchCodecconda install ffmpeg -c conda-forge不支持的平台会自动回退 pyav忽略即可连不上串口ConnectionError端口权限不足用lerobot-find-port确认设备给当前用户加 dialout 组权限训练显存不足CUDA out of memory批次过大 / 图像分辨率高减batch_size、开混合精度--accelerator.mixed_precisionbf16机器人动作卡顿控制频率与推理不匹配VLA 模型加--inference.typertc或用lerobot-calibrate先校准成长路线先无硬件上手用 Hub 公开数据集如lerobot/pusht跑通lerobot-trainlerobot-eval熟悉数据 → 训练 → 评估闭环再接一台低成本硬件SO100 是最常见的入门选择走一遍lerobot-calibrate→lerobot-teleoperate→lerobot-record→lerobot-replay把真实数据采集流程走通然后深入源码与社区策略实现在 src/lerobot/policies/硬件抽象在 src/lerobot/robots/各策略说明在 docs/source/文档、中文教程和 Discord 社区的入口都列在 README.md 的 Resources 部分有问题优先查 Issues项目目前迭代很快VLA 模型、世界模型和奖励模型都在持续入库基准环境LIBERO、MetaWorld 等和硬件插件生态也在扩张——关注版本说明基本能跟上它的能力边界。先跑通lerobot-train --policy.typeact --dataset.repo_idlerobot/aloha_mobile_cabinet这一条命令——训练完你就已经站在了机器人学习的全流程之上。【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
