LeRobot开源机器人框架：让SO-100机械臂自己学会干活

LeRobot开源机器人框架：让SO-100机械臂自己学会干活

【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

SO-100 是 LeRobot 官方支持硬件里最便宜的入门点，一只桌面级六关节机械臂。LeRobot 是 Hugging Face 推出的开源机器人框架，把机器人数据采集、策略训练、真机部署整条链路装进同一个 Python 仓库。这篇文章用 SO-100 走一遍完整闭环：你手搓几条演示，它让机械臂自己学会抓取。

先看一条流水线：数据是怎么变成动作的

先说结论：LeRobot 的典型用户是学生、研究者、创客和机器人工程师，它想解决的是"数据到动作"之间太多手工活的问题。

整条流水线是这么走的。你用一台"领导臂"手动演示任务，lerobot-record把过程存成LeRobotDataset；然后用lerobot-train在数据集上训练策略；最后lerobot-rollout把策略发回真机执行。数据集的存储结构可以类比成"表格 + 录像"：Parquet 文件里每一行是一个时间步的关节角、动作指令和时间戳，MP4 文件则是相机视角的录像，两者在时间上严格对齐。这样既省空间，又能从 Hugging Face Hub 上几千个公开数据集里直接加载别人的成果来训练。

策略端是这个框架最厚的一块。仓库用纯 PyTorch 实现了模仿学习（ACT、Diffusion）、强化学习（TDMPC、HIL-SERL）以及一大批 VLA（视觉-语言-动作）模型：Pi0、Pi0.5、GR00T、SmolVLA、EO-1 等，还包括 VLA-JEPA 这类世界模型。多模态输入怎么变成动作指令，架构图一眼能看懂：

硬件侧同样如此。不管你用的是 SO-100、LeKiwi 还是 Unitree G1，控制代码都是robot.connect()、get_observation()、send_action()三件套，各家的驱动差异被封装在 src/lerobot/robots/ 下面。换句话说，换机器人不用换代码。

SO-100 场景走查：从连接硬件到跑通真机

下面这段经历来自官方文档 docs/ 里的 SO-100 教程，我把它串成一次真实的上手过程。

连接硬件。先装 Feetech 舵机支持包，再让框架替你找串口：

pip install -e ".[feetech]" lerobot-find-port

lerobot-find-port会打印所有可用串口，并提示你"拔掉某个 USB 再按回车"来确认哪根线连着哪只臂。确认端口后，第一次使用还需要lerobot-setup-motors给每个舵机写 ID 和波特率，以及lerobot-calibrate做标定——这一步很关键，它保证领导臂和跟随臂摆到同一物理姿态时读出同一组数值。没标定的臂，后面训练出的策略就是"对着空气比划"。

采集数据。标定完成，两只臂摆好，一条命令开始遥操作：你用手拨领导臂，跟随臂同步模仿，同时录下全部关节值和相机画面：

lerobot-record \ --robot.type=so100_follower \ --robot.port=/dev/tty.usbmodem575E0032081 \ --teleop.type=so100_leader \ --teleop.port=/dev/tty.usbmodem575E0031751 \ --display_data=true \ --dataset.num_episodes=5 \ --dataset.single_task="Grab the black cube"

录 5 条演示大概一二十分钟。数据存成本地 LeRobotDataset 后，随时可以推到 Hub 供训练和分享。

训练策略。ACT 这类模仿学习策略会自动适配数据集里的关节数和相机数，你不用改任何网络配置：

lerobot-train \ --dataset.repo_id=youruser/so100_test \ --policy.type=act lerobot-rollout \ --strategy.type=base \ --policy.path=youruser/my_policy \ --robot.type=so100_follower \ --robot.port=/dev/ttyACM1 \ --task="Put lego brick into the transparent box" \ --duration=60

真机部署。训练几小时后，lerobot-rollout加载 checkpoint 接到跟随臂上。此时你可以把手从领导臂上移开，机械臂会按自己学到的策略把积木放进盒子。如果只是想快速验证而不动真机，lerobot-eval还支持在 LIBERO、MetaWorld 等仿真基准里跑同一个策略，命令风格完全一致。

一张表看全硬件、数据集与算法族

所有策略的配置和实现都集中在 src/lerobot/policies/ 下，每个策略一个目录，README 里附了各自的训练时间和显存要求，选型前可以先翻一眼。

三个最常见的坑，怎么排查

现象一：串口找不到，臂连不上。排查清单：Linux 下先确认/dev/ttyACM*有读写权限；检查供电和两条线（电脑到控制板的 USB 线、控制板到舵机的 3 _pin 线）是否插紧；如果你用的是 Waveshare 控制板，确认跳线设在 B 通道（USB）。文档里这条故障线是连接失败里命中率最高的。

现象二：训练跑完，策略在真机上乱抖。先别怀疑网络，怀疑标定。跑一次lerobot-dataset-viz回看采集帧，确认领导臂和跟随臂在相同姿态下数值一致；不一致就重跑lerobot-calibrate。数据对了，ACT 这类策略会自动对齐输入维度，通常就能收敛。

现象三：VLA 模型动作一顿一顿的。原因是单步推理太慢，机械臂在"等答案"。两条路：lerobot-rollout加--inference.type=rtc用远程传输控制平滑执行；或者上异步推理，policy_server单独算下一段动作，机械臂执行当前段时下一段已经在排队，规划与执行彻底解耦。

起步建议：先跑一个现成的推理

不用先买硬件。挑一个 Hub 上已有数据集跑通lerobot-eval，或者用lerobot-dataset-viz把别人录的演示帧看一遍，搞清楚观测和动作长什么样，再决定买哪台臂。真机是后话，先让流水线在你机器上转起来。

【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