Vertrieb kontaktieren
Zurück zu Research

Das Ökosystem für das Open-Source-Lernen von Robotern im Jahr 2025: Werkzeuge, Datensätze und Gemeinschaften

Überblick über die Open-Source-Roboter-Lernlandschaft <unk> Frameworks, Datensätze, Simulatoren und Gemeinschaften, die zugängliche Roboter-KI-Forschung vorantreiben.

[← Forschung]

Die Open-Source-Infrastruktur hat die Roboter-Lernforschung verändert. Dieser Leitfaden verzeichnet das gesamte Ökosystem Frameworks, Datensätze, Simulatoren, Hardware und Gemeinschaften , damit Sie herausfinden können, wo Sie beitragen und was Sie aufbauen können.

Warum Open-Source für Roboter-Lernen wichtig ist

Vor drei Jahren erforderte die Forschung zum Lernen von Robotern entweder ein gut finanziertes Universitätslabor oder ein großes Unternehmen.

** Demokratisierung**: Ein Forscher an einer Universität in Vietnam hat nun Zugriff auf den gleichen Open X-Embodiment Datensatz wie ein Labor an Stanford. LeRobot läuft auf einer einzigen Verbraucher-GPU. Die vollständigen CAD-Dateien von OpenArm bedeuten, dass ein Team mit einem 3D-Drucker und 800 $ einen fähigen Forschungsarm bauen kann.

** Beschleunigte Fortschritte**: Als Octo mit offenem Gewicht veröffentlicht wurde, haben 40+ Teams es innerhalb von sechs Monaten optimiert. Entdeckungen sind in der gesamten Community zusammengestellt, anstatt in einer Einheit zu bleiben. Das RT-2-Papier war nicht reproduzierbar; als Physical Intelligence Open-Source-Pic0-Trainingscode entwickelte sich das Feld in 3 Monaten schneller als im Vorjahr.

Kreuzteamsvergleich: Offene Datensätze ermöglichen den Vergleich von Methoden auf identischen Daten. Vor Open X-Embodiment wurden alle Arbeiten auf unterschiedlichen Daten mit verschiedenen Objekten ausgebildet, wodurch der Vergleich sinnlos wurde. Gemeinsame Benchmarks sind die Grundlage des wissenschaftlichen Fortschritts.

Vergleiche von Rahmenbedingungen

Framework Purpose License Community Size Best For
LeRobot (HuggingFace) End-to-end robot learning — data, training, eval Apache 2.0 8,000+ Discord Beginners, ACT/Diffusion Policy training
RoboSuite Simulation + task suite for manipulation MIT 2,000+ GitHub stars Reproducible sim benchmarks
Robomimic Offline-RL and imitation learning MIT 1,500+ GitHub stars Algorithm research on offline data
IsaacLab GPU-accelerated RL + sim2real MIT 5,000+ GitHub stars Massively parallel RL training
OpenDR Perception + learning toolkit Apache 2.0 500+ GitHub stars Perception-heavy tasks, EU compliance

Öffnen von Datensätzen

Das ökonomische Wachstum des offenen Datensatzes ist im Jahr 2024 stärker als in den fünf Jahren zuvor zusammen:

  • Open X-Embodiment 160.000+ Demonstrationen über 22 Roboter-Einführungen aus 21 Forschungseinrichtungen. Der erste echte Cross-Einführungsdatensatz, der eine politische Ausbildung für Eingliederungs-agnostiker ermöglicht.
  • DROID 76.000 Demonstrationen, die von einem verteilten Team in mehr als 50 Umgebungen gesammelt wurden. Vielfältige Echtwertsetzungen, von Küche zu Labor zu Fabrik. Besonders stark bei der Verallgemeinerung.
  • BridgeData V2 60.000 Demonstrationen der Tischmanipulation von UC Berkeley. Hochwertige, konsistente Einrichtung, weit verbreitet für die Fein-Tuning-Fundament-Modelle.
  • ALOHA Datensätze 30+ zweimanschließende Aufgaben mit der ALOHA-Hardware. Der ursprüngliche Datensatz für ACT (Action Chunking Transformer) und viele nachfolgende Arbeiten.
  • LeRobot Hub wächst täglich. Standardisiertes Format, Tastendruck-Download über <unk>T0. Ab Anfang 2025 200+ Community-Contributed Datensätze von 15+ Roboterplattformen.

Simulatoren offen

Die Simulationsqualität hat sich für viele Manipulationsarbeiten mit der physik der realen Welt vereinigt:

  • Isaac Lab (NVIDIA, MIT-Lizenz) GPU-beschleunigte Physik-Simulation mit mehr als 10.000 parallelen Umgebungen. Am besten für RL, wo die Probenzahl zählt. Aufbau auf USD-Szenebeschreibung. Unterstützt mehr als 20 Robotermodelle aus der Box.
  • MuJoCo (DeepMind, Apache 2.0 seit 2022) die goldstandard-physikalische motor für kontaktreiche manipulation. schnelle, genaue kontaktsimulation. verwendet von den meisten manipulation benchmarks (Robomimic, dm_control). frei und offen.
  • PyBullet (Zlib-Lizenz) Leichter-Alternative, weit verbreitet für schnelle Prototypen. weniger physisch genauer als MuJoCo, aber schneller zu installieren. Gut für das Lernen.
  • Gazebo / Ignition (Apache 2.0) der ROS2-Native-Simulator. Am besten für die Simulation eines kompletten Robotersystems mit Sensoren, Navigation und Hardware-in-the-Loop-Tests.

Öffnen Sie Hardware

Open Hardware ist der neueste und am schnellsten wachsende Teil des Ökosystems:

  • OpenArm (RCSV) 6-DOF-Forschungsarm mit vollständigen CAD-Dateien, BOM und Montageanweisungen. Lizenziert CC BY-SA. Baukosten unter 1.500 $. Entworfen für Datenerhebung und Richtlinienentwicklung. ROS2 nativer.
  • ALOHA (Stanford / HuggingFace) Doppelhandwerk Teleoperationsplattform, vollständige Bauanleitungen veröffentlicht mit dem ACT-Papier. ViperX 300 Arme + benutzerdefiniert Rahmen.
  • Hello Robot Stretch Mobilfunkmanipulationsplattform mit ROS2-Unterstützung, Open Software Stack, für Heimumgebungen entwickelt.
  • Koch v1.1 (HuggingFace LeRobot) Ultra-low-cost Forschung Arm, unter $300 mit off-the-shelf Servos. Community-designed, vollständige Anweisungen auf GitHub.

Gemeinschaften

  • HuggingFace LeRobot Discord 8.000+ Mitglieder, die täglich aktivste Gemeinschaft für Roboter-Lernen. Regelmäßige Papierdiskussionen, Datensatz-Teilung, Modellbewertungen.
  • Unitree Discord 5.000+ Mitglieder, konzentriert auf Unitree Hardware (Go2, G1, H1).
  • ROS2 Discourse das offizielle Forum für die Entwicklung von ROS2.
  • RCSV Research Forum konzentrierte sich auf RCSV-Hardware, Datensätze und Forschungsprogramme.

Möglichkeiten zur Beitragung

Das Ökosystem braucht Beiträge auf allen Ebenen:

  • Open X-Embodiment Datenbeiträge Sammeln Sie Demonstrationen mit Ihrer Roboterplattform und stellen Sie sie in den Datensatz ein.
  • LeRobot-Modell Zoo Trainieren Sie ein Modell auf einem offenen Datensatz und schieben Sie Gewichte auf HuggingFace.
  • ** Hardware-Designverbesserungen** OpenArm und Koch akzeptieren beide Zuganfragen.
  • Benchmark-Implementierungen Einführung eines bestehenden Algorithmus auf einem neuen Datensatz oder eines neuen Algorithmus auf einem bestehenden Benchmark.

Lesen Sie die vollständige [Forschungsübersicht]T2) für weitere Informationen zu Open-Source-Tools oder [Beitreten Sie der RCSV-Community]T3) um zum ökonomischen Open-Hardware- und Datensatzsystem beizutragen.

Beitrag zum Ökosystem des offenen Roboternutzes

Nehmen Sie an der RCSV teil, um auf offene Datensätze zuzugreifen, Demonstrationen zu leisten und mit Forschern zusammenzuarbeiten, um die nächste Generation der Roboternetzungsinfrastruktur zu entwickeln.

[Zutritt zur Forschungsgemeinschaft]