Vertrieb kontaktieren
Zurück zu Learn

LeRobot-Schnellstart-Leitfaden

Beginnen Sie mit der Installation von Hugging Face LeRobot, verbinden Sie einen Roboterarm, nehmen Sie Demonstrationen auf und trainieren Sie Ihre erste Politik in weniger als 2 Stunden.

Beginnen Sie mit der Installation von Hugging Face LeRobot, verbinden Sie einen Roboterarm, nehmen Sie 50 Demonstrationen auf und trainieren Sie Ihre erste Manipulationspolitik.

Anfänger Mittlere 12 Stunden Aktualisiert April 2026

1. Installieren Sie 2. Hardware 3. Kalibrieren Sie 4. Aufzeichnen Sie 5. Sichern Sie 6. Zügel 7. Bewerten Sie 8. Teilen

Voraussetzungen

  • Ein unterstützter Roboterarm (siehe Schritt 2 für die vollständige Liste)
  • Ubuntu 22.04 oder 24.04 (macOS funktioniert für einige Funktionen)
  • Python 3.10+
  • NVIDIA-GPU mit 8+ GB VRAM (für das Training; nicht zur Aufnahme benötigt)
  • USB-Webcam oder RealSense-Kamera

Was du bauen wirst

In diesem Quickstart installieren Sie LeRobot, verbinden und kalibrieren einen Roboterarm, registrieren 50 Demonstrationsepisoden einer Pick-and-Place-Tasche, trainieren eine ACT-Politik (Action Chunking with Transformers), führen sie sie auf Ihrem Roboter aus und teilen Ihren Datensatz mit HuggingFace Hub. Am Ende wird Ihr Roboter selbständig Objekte abholen und platzieren aus Ihren Demonstrationen gelernt.

1

Installieren Sie LeRobot

LeRobot installiert als Python-Paket. Wir empfehlen, eine virtuelle Umgebung zu verwenden, um die Dinge sauber zu halten.

Kopieren Sie# Erstellen Sie eine virtuelle Umgebung python3 -m venv ~/lerobot_env Quelle ~/lerobot_env/bin/activate # Installieren Sie LeRobot das Basispaket pip Installieren Sie lerobot # Oder installieren Sie mit allen Hardware-Extras pip Installieren Sie "lerobot[all]" # Oder installieren Sie mit spezifischen Hardware-Unterstützung pip Installieren Sie "lerobot[dynamixel]" # für SO-100, Koch, OpenArm pip Installieren Sie "lerobot[Realsense]" # für Intel RealSense Kameras # Überprüfen Sie, dass es funktioniert lerobot --Version

LeRobot v0.8.1

Schnelle Überprüfung: Wenn Sie eine Versionnummer sehen, können Sie gehen. Wenn Sie einen Fehler über fehlende T0 oder serielle Ports bekommen, installieren Sie Systemabhängigkeiten: T1

2 .

Unterstützte Hardware

LeRobot arbeitet mit einem wachsenden Ökosystem erschwinglicher Roboterarme.

So-

6-DOF Desktop Arm, Dynamixel Servos, der beliebteste LeRobot Arm.

~ 200 Dollar (DIY-Kit)

OpenArm

6-DOF-Arm, für die Datenerhebung.

2.400 Dollar

Koch v1.1

5-DOF-Kostenarm, gut zum Lernen, begrenzt für komplexe Aufgaben.

~ 150 US-Dollar (DIY)

- Ich bin nicht hier.

Die zweibartige, zweibartige Anlage ist der Goldstandard für geschickte Manipulationen.

20 000 Dollar und mehr.

Musch

Leichtgewicht 6-DOF-Arm mit integrierter Steuerung.

~ 500 Dollar

WidowX 250

Professionale Forschungsgruppe von Trossen Robotics.

3.500 Dollar

Brauchen Sie einen Roboterarm für LeRobot?

OpenArm ist von Grund auf für die Datenerhebung ausgelegt. Vorkalibriert, Handgelenkkamera montiert, Führungskräfte-Follower bereit.

[Schauen Sie OpenArm im Laden]

3

Verbinden und kalibrieren Sie Ihren Arm

Stecken Sie Ihren Roboterarm über USB an und führen Sie die Kalibrierung durch.

Kopieren Sie# Finden Sie den seriellen Port Ihres Robots ls /dev/ttyUSB* /dev/ttyACM* # Setzen Sie Berechtigungen (nur einmal benötigt, oder fügen Sie udev-Regel hinzu) sudo chmod 666 /dev/ttyUSB0 # Laufen Sie Kalibrierung lerobot Kalibrieren \ --robot-type=so100 \ --port=/dev/ttyUSB0

Die Kalibrierung fordert Sie auf, den Arm durch seine Bewegungsfläche zu bewegen:

Kalibrieren Sie SO-100 auf /dev/ttyUSB0... Bewegen Sie Gelenk 1 (Basis) auf seine Mindestposition, drücken Sie dann Enter. Bewegen Sie Gelenk 1 (Basis) auf seine maximale Position, drücken Sie dann Enter. ... Kalibrierung vollständig!

Wenn Sie einen Führerarm für die Teleoperation haben, kalibrieren Sie ihn auch:

Kopie-Robot Kalibrierung \ --robot-type=so100 \ --port=/dev/ttyUSB0 \ --leader-port=/dev/ttyUSB1

** Wichtig:** Wenn die Kalibrierung hängt, überprüfen Sie, ob kein anderes Programm den Serienport verwendet (Schließen Sie irgendeine Arduino IDE, Bildschirm-Sitzungen, etc.).

4

50 Demo-Episoden aufnehmen

Es ist Zeit, den Roboter zu unterrichten. Setzen Sie eine einfache Aufgabe auf. Wir empfehlen Ihnen, "einen Block zu holen und in eine Schüssel zu legen". Dann erfassen Sie 50 Demonstrationen.

Kopie# Beginnen Sie mit der Aufnahme mit dem Führer Arm Teleoperation lerobot Aufzeichnung \ --robot-type=so100 \ --port=/dev/ttyUSB0 \ --leader-port=/dev/ttyUSB1 \ --fps=30 \ --task="pick_block_place_bowl" \ --num-episodes=50 \ --output-dir=~/datasets/my_first_dataset # Keyboard-Controls: # Enter start/stop an einer Episode # Space pause/resume # r (discard and restart current episode) # q quit and save all completed episodes

Tipps für die Aufzeichnung guter Demonstrationen:

  • ** Sei konsequent:** Beginne jede Episode aus der gleichen Position
  • Bewegung reibungslos: Vermeiden Sie schlagkräftige oder eingeweihte Bewegungen
  • Verschiedene Positionen: Setzen Sie den Block jedes Mal an leicht unterschiedlichen Stellen
  • ** Erfolgreich jedes Mal:** Nur erfolgreiche Demonstrationen halten
  • Pausen machen: Müdigkeit führt zu fahrlässigen Demos Rekord in Chargen von 1015

** 50 Episoden sind genug** für eine einfache Pick-and-Place-Tasche mit ACT-Politik. Die gesamte Aufnahmezeit beträgt etwa 2030 Minuten. Jede Episode dauert typischerweise 515 Sekunden.

5

Stellen Sie sich Ihre Datensätze vor

Bevor Sie trainieren, überprüfen Sie Ihre aufgezeichneten Episoden, um sicherzustellen, dass sie richtig aussehen.

Kopieren Sie# den eingebauten Visualizer lerobot visualize-dataset \ --dataset-path=/datasets/my_first_dataset # oder sehen Sie eine bestimmte Episode lerobot visualize-dataset \ --dataset-path=/datasets/my_first_dataset \ --episode=0

Hier wird ein Browserfenster geöffnet, das neben den gemeinsamen Positionsplätzen die Kameraansicht zeigt.

  • Die Kamerabilder sind klar (nicht schwarz, nicht gefroren)
  • Die Gelenkbahnen sind glatt (keine plötzlichen Spitzen)
  • Episoden beginnen und enden sauber
  • Die Aufgabe wird in jeder Episode erfolgreich abgeschlossen.

Kopieren Sie# Schnelle Statistiken über Ihren Datensatz python3 -c " von lerobot.common.datensets Import LeRobotDataset ds = LeRobotDataset('~/datensets/my_first_datenset') print(f'Episoden: {ds.numm_episodes}') print(f'Gesamtrahmen: {len(ds)}') print(f'FPS: {ds.fps}') printf'Key: {listds[0.keys)))) "

6

Eine ACT-Politik ausbilden

Jetzt ist der lustige Teil: Trainieren Sie eine Neuralnetzpolitik auf Ihren Demonstrationen. Wir werden ACT (Action Chunking with Transformers) verwenden, das für Manipulationsarbeiten und schnelle Züge gut funktioniert.

Kopieren Sie die Politik von Train ACT auf Ihrem Datensatz Leser der Roboter - Zug - Politik - Akt - Datensatz - Weg = ~/Datensätze / mein /_erste_Datensatz - Output - dir = ~/Politiken / mein /_erste_Politik - Numer-Epochs = 100 - Batchgröße = 8 - Lr = 1e-4 - Ausbildungsleistung: # Epoche 1/100 - Verlust: 0.4521 - Zeit: 12s # Epoche 10/100 - Verlust: 0.1234 - Zeit: 11s # Epoche 50/100 - Verlust: 0.0312 - Zeit: 11s # Epoche 100/100 - Verlust: 0.0187 - Zeit: 11s - Training vollendet! Politik gespeichert auf ~/policies/my_first_policy

Die Trainingszeit hängt von der Größe Ihrer GPU und der Datensätze ab:

  • RTX 3060 (12 GB): ~30 Minuten für 100 Epochen in 50 Episoden
  • RTX 4090 (24 GB): ~10 Minuten
  • nur für die CPU: ~3 Stunden (nicht empfohlen)

Wann ist das Training zu beenden: Beobachten Sie die Verlustkurve. Wenn der Verlust seit mehr als 20 Epochen nicht zurückgegangen ist, können Sie frühzeitig beenden. Überpassungen sind bei kleinen Datensätzen weniger ein Problem und ACT die Politik wird auch bei sehr niedrigen Verlusten gut verallgemeinert.

7

Beurteilen Sie Ihre Politik

Führen Sie die ausgebildete Richtlinie auf Ihrem Roboter durch und sehen Sie, wie es funktioniert.

Kopieren# Laufen Sie die Politik auf Roboter lerobot eval \ --policy-path=~/policies/my_first_policy \ --robot-type=so100 \ --port=/dev/ttyUSB0 \ --num-rollouts=10 # Ausgabe: # Rollout 1/10: SUCCESS # Rollout 2/10: SUCCESS # Rollout 3/10: FAILURE Greifer misste Objekt # Rollout 4/10: SUCCESS # ... # Erfolgsrate: 7/10 (70%) # Durchschnittliche Episodenlänge: 8,3s

70% Erfolgsrate beim ersten Versuch ist ein solides Ergebnis.

  • Sammeln Sie mehr Demos für die spezifischen Fehlerfälle (Objekt am Rand, unterschiedliche Orientierung)
  • Vergrößern der Trainingszeiten auf 200, wenn die Verluste immer noch sinken
  • Versuchen Sie die Diffusionsrichtlinie für Aufgaben, bei denen der Roboter verschiedene Wege zum gleichen Ziel verfolgt

Kopieren Sie stattdessen die Diffusion Policy? lerobot train \ --policy=diffusion \ --dataset-path=/datasets/my_first_dataset \ --output-dir=/policies/my_first_diffusion \ --num-epochs=200

8

Teilen Sie an HuggingFace Hub

Schieben Sie Ihren Datensatz und Ihre geschulten Richtlinien in HuggingFace Hub, damit andere sie verwenden können oder damit Sie von anderen Maschinen darauf zugreifen können.

Kopieren Sie# Login in HuggingFace (einmalige Einrichtung) huggingface-cli Login # Schieben Sie Ihren Datensatz lerobot push-to-hub \ --datensatz-path=/datensätze/mein_first_datensatz \ --repo-id="your-username/mein-first-lerobot-datensatz" # Schieben Sie Ihre geschulte Politik lerobot push-to-hub \ --policy-path=/policy/my_first_policy \ --repo-id="your-username/my-first-act-policy"

Ihr Datensatz ist jetzt unter T2 und Ihre Richtlinie unter T3 verfügbar.

Glückwunsch, Sie haben es geschafft.

Sie haben LeRobot installiert, einen Roboter angeschlossen, Demonstrationen aufgenommen, eine Politik ausgebildet und eingesetzt. Das ist die Grundlage des modernen Roboterlernings. Von hier aus können Sie auf größere Datensätze, komplexere Aufgaben und VLA-Modelle skalieren.

Fehlerbehebung

Serienportgenehmigung verweigert

Führen Sie T4 aus oder fügen Sie Ihren Benutzer in die Dialoggruppe T5 hinzu und loggen Sie sich aus/in. Für eine permanente Lösung erstellen Sie eine udev-Regel.

Roboterarm nicht erkannt

Überprüfen Sie die USB-Verbindung. Laufen Sie T6 aus, um verfügbare Ports zu sehen. Versuchen Sie einen anderen USB-Port oder Kabel. Einige USB-Hubs verursachen Probleme direkt mit dem Computer verbinden.

Verlust der Ausbildung nicht abnehmend

Überprüfen Sie, ob Ihr Datensatz nicht leer oder beschädigt ist: T7. Versuchen Sie, die Lernrate auf T8 zu reduzieren. Stellen Sie sicher, dass die Episoden tatsächliche Bewegung enthalten (nicht nur den stillsitzenden Arm).

Die Politik läuft , aber der Roboter bewegt sich nicht .

Überprüfen Sie, ob der Roboter im richtigen Steuersatz ist. Überprüfen Sie, ob die Aktionsdimensionen Ihrem Roboter entsprechen (6 Gelenke + Griff = 7D). Laufen Sie T9 aus, um die eingesandten Rohaktionen zu sehen.

Die Kamera ist schwarz aufgenommen.

Überprüfen Sie den Kameraindex mit T10. Stellen Sie sicher, dass keine andere Anwendung die Kamera verwendet. Überprüfen Sie mit T11 sollte T12 drucken.

Verwandte Tutorials

  • Ich weiß .

LeRobot-Complete-Guide

Der vollständige Überblick: Was LeRobot ist, alle unterstützten Algorithmen, Hardware-Ökosystem und wie RCSV integriert.

](T14) [

Sammeln Sie Roboter-Training-Daten

Skalieren Sie Ihre Datenerhebung mit Qualitätsbewertungen, RLDS-Format und bewährten Verfahren.

](T15) [

Ein VLA-Modell

Übertreffen Sie ACT Train OpenVLA oder pi0 auf Ihrem Datensatz für sprachlich bedingte Steuerung.

](T16) [

Erste Demo von OpenArm

Der ideale Arm für LeRobot setzte OpenArm von der Entboxung bis zur ersten Demo ein.

](T17)

Häufig gestellte Fragen

Welche Roboterarme funktionieren mit LeRobot?

LeRobot unterstützt SO-100, Koch v1.1, Aloha, Moss, OpenArm, WidowX und UR-Roboter. Das Framework ist erweiterbar.

Wie viele Demonstrationen brauche ich für LeRobot-Politik-Schulung?

Für einfache Aufgaben wie Pick-and-Place mit ACT-Politik reichen 50 Demonstrationen aus, um eine funktionierende Politik zu erhalten. Für komplexere Aufgaben zielen Sie auf 100200. Der Schlüssel ist Qualität über Quantität 50 saubere Demonstrationen übertreffen 200 schlechte.

Was ist ACT und wie verglichen sie mit der Diffusionspolitik?

ACT (Action Chunking with Transformers) prognostiziert eine Sequenz zukünftiger Aktionen aus einer einzigen Beobachtung, wodurch es schnell und effektiv für Manipulationsarbeiten ist. Die Diffusion Policy verwendet einen ablehnenden Diffusionsprozess, um Aktionen zu erzeugen und verarbeitet oft mehrmodales Verhalten besser. ACT trainiert schneller; die Diffusion Policy ist robuster für zweideutige Situationen. Beginnen Sie mit ACT für Ihr erstes Projekt.

Kann ich LeRobot ohne einen physischen Roboter benutzen?

Ja. LeRobot enthält Simulationsumgebungen und Beispieldatenmengen, mit denen Sie das Framework erlernen können. Sie können Richtlinien für Community-Datenmengen von HuggingFace Hub ausbilden und in der Simulation vor dem Einsatz auf Hardware bewerten.

Brauche ich eine GPU, um mit LeRobot Politik zu trainieren?

Eine GPU mit mindestens 8 GB VRAM wird dringend empfohlen. ACT-Politik-Training auf 50 Episoden dauert etwa 30 Minuten auf einem RTX 3060 und 10 Minuten auf einem RTX 4090. CPU-Training ist möglich, dauert aber 510x länger, wodurch die Iteration schmerzhaft langsam ist.

War dieses Tutorial hilfreich?

👍 Ja Nein

Bleiben Sie bei der Robotik vorne

Erhalten Sie die neuesten Informationen zu Robotern, Datenerhebung und physischer KI in Ihren Posteingang.