2. LeRobot生态概览

LeRobot 是 Hugging Face 发起的开源机器人学习项目，目标是把“数据集、模型、仿真环境、真实硬件、训练与部署工具”整合到同一套 Python 生态中。它并不是一个单独的算法库，而更像一个围绕“机器人策略学习”构建的协作平台：研究者可以复用社区上传的数据集与预训练策略，工程师可以把同一套策略迁移到 SO-100、SO-101、Koch、ALOHA 等低成本硬件上，开发者则可以通过统一接口接入新的机械臂、相机与遥操作设备。理解 LeRobot 的生态结构，是后续实机部署与闭环迭代的前提。

项目背景：为什么需要 LeRobot

传统机器人学习项目往往面临三个割裂：数据格式不统一、硬件接口不统一、模型与部署流程不统一。一个团队采集的示教数据很难直接被另一个团队训练使用；同一份策略从仿真迁移到真机时，常因关节顺序、单位、相机分辨率、控制频率不同而失败。LeRobot 的核心思路是用“标准化”降低重复劳动：

• 数据标准化：采用 LeRobotDataset 格式，统一存储观测、动作、时间戳与任务描述，便于上传到 Hugging Face Hub 并直接加载。
• 硬件抽象：通过 Robot 与 Teleoperator 抽象类，把不同机械臂的底层串口、CAN、网络通信封装成统一 API。
• 策略复用：ACT、Diffusion Policy、TDMPC、VQ-BeT 等策略以统一训练与推理接口提供，支持从预训练权重微调。
• 闭环迭代：支持“采集—训练—评估—再采集”的循环，使实机表现可以通过数据回流持续改进。

核心组件与软件栈

从软件栈角度看，LeRobot 可以分成五层：硬件层、设备抽象层、数据层、策略层与部署层。下图展示了各层之间的依赖关系与典型对象，便于建立整体认知。

在代码层面，LeRobot 的典型使用路径如下：先安装依赖，再配置硬件，然后采集数据、训练策略、评估并部署。

# 安装 LeRobot
pip install lerobot

# 查看可用硬件与命令
lerobot-info

# 采集示教数据（以 SO-101 为例）
lerobot-record \
  --robot.type=so101_follower \
  --teleop.type=so101_leader \
  --dataset.repo_id=your_name/so101_pick_place \
  --dataset.num_episodes=30

# 训练 ACT 策略
lerobot-train \
  --dataset.repo_id=your_name/so101_pick_place \
  --policy.type=act \
  --output_dir=outputs/act_so101

# 真机评估
lerobot-eval \
  --policy.path=outputs/act_so101/checkpoints/last \
  --robot.type=so101_follower

硬件支持与社区资源

LeRobot 对硬件的支持分为“官方维护”和“社区贡献”两类。官方重点支持低成本、易复现的开源机械臂，例如 SO-100、SO-101、Koch v1.1 与 ALOHA 系列；社区则不断补充新的机器人、遥操作器和相机。选择硬件时，建议优先考虑官方支持列表中的型号，因为其关节映射、标定流程与示例数据更完整。

常见误区与复盘

在实际项目中，初学者最容易踩的坑集中在三处。第一，把 LeRobot 当成“即插即用”的成品：它提供的是工具链，硬件组装、标定与安全限位仍需自己完成。第二，忽略数据质量：如果示教过程中相机抖动、动作不连贯或任务描述不一致，再强的策略也难以稳定。第三，跳过评估直接上线：真机推理前应在低速、小范围、有人看护的条件下验证，确认急停可用、关节不会撞限位。

复盘时可以问自己四个问题：数据集的观测与动作是否对齐？硬件抽象层的关节顺序与单位是否与训练时一致？策略推理频率是否满足控制周期？失败案例是否已经回流成新的示教数据？这四个问题对应了 LeRobot 闭环迭代的核心：数据、接口、时序与反馈。只有把生态中的各层打通，实机部署才不会停留在“演示一次就坏”的阶段。