企业官网建设流程全解析

LeRobot 机器人学习框架上手指南：5 步装好环境、录数据、训练并部署你的第一个策略

【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 是一个基于 PyTorch 的开源机器人学习框架，把"采集数据 → 训练策略 → 部署到真机"整条链路封装成了命令行工具。你不需要自己写硬件驱动，也不用操心数据集格式，它适合想进入机器人学习的开发者、动手派学生，以及想让自己的机械臂"学会干活"的硬件爱好者。

它到底是干嘛的：给机器人学习配一套标准零件

做机器人学习最头疼的不是算法，而是"东拼西凑"：机器人 A 的驱动和机器人 B 的数据格式不兼容，别人发的数据集你根本读不了。LeRobot 的思路是把这条链路拆成几个标准件——硬件接口、数据集格式、策略算法、预处理流水线——每个都能单独替换。

它内置了三样东西：

• 统一的硬件接口：从几十美元的 SO-100 桌面臂到人形机器人 Unitree G1，都通过同一个Robot类驱动，你可以把它理解成给硬件配的"万能插座"
• 统一的数据集格式（LeRobotDataset）：画面存成 MP4 视频，关节状态和动作存成 Parquet 表格，两者按帧对齐，读数据时自动解码
• 一批可直接训练的算法（策略）：ACT、Diffusion 这类模仿学习算法，Pi0、GR00T 这类视觉语言动作（VLA，简单说就是"看图 + 读指令 → 出动作"的大模型）路线，以及 TDMPC 等强化学习算法

核心代码都在src/lerobot/下：算法在 src/lerobot/policies/，硬件驱动在 src/lerobot/robots/，数据工具在 src/lerobot/datasets/。

第一步：安装 LeRobot 并验证环境

环境要求比大多数教程写的要"新"：当前版本需要Python 3.12+，训练带 CUDA 的 GPU 时建议配 RTX 30 系以上显卡（具体每个策略的显存需求可查 docs/source/hardware_guide.mdx）。

两种装法，任选其一：

# 装法一：直接装发布版 pip install lerobot lerobot-info # 装法二：从源码装（适合要改代码的你） git clone https://gitcode.com/GitHub_Trending/le/lerobot cd lerobot pip install -e . lerobot-info

lerobot-info会打印安装信息，能正常跑通就说明环境没问题。装完你会多出一整套lerobot-*命令：lerobot-record、lerobot-train、lerobot-eval……后面五步全靠它们，不用自己写脚本。

第二步：接上真机，先让人来遥控

训练之前，先确认你能控制机器人。以 SO-100 为例，流程是：查串口 → 校准电机 → 遥操作。

# 找到机器人连在哪个串口 lerobot-find-port # 校准电机限位（首次使用必做） lerobot-calibrate # 用另一台 SO 系列"主臂"当手柄，带动从臂运动 lerobot-teleoperate --robot.type=so100 --teleop.type=so100

在代码层面，所有机器人都是同一套 API：connect()连接、get_observation()读当前状态、send_action()下发指令。你拿到的观测就是一组关节角 + 相机画面，动作就是下一组目标关节角。遥操作器（手柄、键盘、手机、Gamepad）都在 src/lerobot/teleoperators/，你的机器人如果不在列表里，实现它的Robot接口就能接入全部工具链。

第三步：录制演示数据，攒出你的第一个数据集

🎬 模仿学习的逻辑很朴素：你操作一遍，机器人看一遍。lerobot-record负责把"你遥控机器人干活"的过程存成 LeRobotDataset：

lerobot-record \ --robot.type=so100 \ --teleop.type=so100 \ --dataset.repo_id=你的账号/my_first_dataset

录完的数据长什么样？每个 episode 是一段 MP4（相机画面）加一张 Parquet 表（每帧的关节角和动作），按帧号严格对齐。这套格式就是 LeRobot 解决"各家数据各搞一套"的关键。数据出问题时也别慌，有现成工具：删除坏 episode、按索引切分、增删字段、合并多个数据集，都在 src/lerobot/datasets/dataset_tools.py 里，配套脚本见 examples/dataset/use_dataset_tools.py。

第四步：一行命令训练你的第一个策略

录完数据，训练就是改一行配置的事。以 ACT 算法（模仿学习的一种，把演示动作压成向量再逐步解码，适合机械臂任务）为例：

lerobot-train --policy.type=act --dataset.repo_id=lerobot/aloha_mobile_cabinet

这里用的是官方示例数据集，你换成自己第三步录的数据即可。想动手改代码，可以从 examples/tutorial/act/act_training_example.py 开始，它把训练循环拆开写了一遍。

不知道选哪个策略？看任务类型：

每个策略的详细用法都有独立文档，如 docs/source/pi0.mdx、docs/source/policy_act_README.md。

训练时图像缩放、归一化这些预处理不用手写，策略自带一套标准化的 processor 流水线（相当于出工厂前的"质检调校"线），源码在 src/lerobot/processor/，多卡训练参考 examples/training/train_with_streaming.py。

第五步：在仿真里评估，或直接部署回真机

训练完别急着上真机，先在仿真环境里跑一把。LeRobot 内置了 LIBERO、MetaWorld 等标准仿真基准：

lerobot-eval --policy.path=lerobot/pi0_libero_finetuned --env.type=libero --env.task=libero_object --eval.n_episodes=10

这条命令加载一个预训练策略，在 LIBERO 的"取物"任务上跑 10 集，直接给你成功率。仿真环境的接入机制在 src/lerobot/envs/，评估框架在 src/lerobot/scripts/lerobot_eval.py。确认指标合格后，同一份策略权重可以直接加载回真机做推理，硬件端代码还是第二步那套Robot接口。

踩坑急救：设备连不上、CUDA 报错、训练不收敛

🔧 三个最高频的问题：

1. 找不到设备：先lerobot-find-port确认串口，SO 系列还要跑lerobot-setup-motors配置电机参数，再不行查 docs/source/hardware_guide.mdx 里的接线说明
2. CUDA 版本对不上：用nvidia-smi看驱动支持的 CUDA 上限，再对照 PyTorch 装的是哪个版本；完整加速卡配置看 docs/source/torch_accelerators.mdx
3. 训练不收敛：八成是数据问题。先用 examples/dataset/use_dataset_tools.py 检查数据分布和动作归一化，再考虑调学习率（调度器在 src/lerobot/optim/schedulers.py）

接下来去哪看资料

• 完整文档：docs/source/index.mdx，从安装到各策略的教程都在这
• 可跑示例：examples/，按training、tutorial、dataset分类，每个场景都有入口脚本
• 想写代码前先读测试：tests/ 里的用例展示了各模块的正确用法，比如 tests/policies/ 覆盖了每个策略的契约测试

从第二步的遥操作到第五步的仿真评估，整条链路你只需要四样东西：一台机器人、一段演示数据、一行训练命令、一条评估命令。这就是 LeRobot 想做的事——把机器人学习里所有"脏活"标准化，让你只关注算法本身。

【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