レロボット:オープンソースロボット学習図書館 <unk> 完全なガイド
ハグ・フェイス・レロボットについてすべて: それが何であるか ACT/ディフュージョン・ポリシーの/TDMPCアルゴリズム サポートされているハードウェア データセットフォーマット 快スタートチュートリアル RCSV 輸出互換性
[ロボットデータ収集ガイド]
リーロボットは,Robotic Learningのオープンソースライブラリです.Robotic Learningは,最も広く使用されている研究プラットフォームのデータ収集,データセットストレージ,政策トレーニング,ハードウェアインターフェースをカバーする統一フレームワークです. 2025年と2026年に新しいロボット学習プロジェクトのためのデフォルト出発点となっています.
レロボットとは何か?
レロボットはハグジングフェイスが運営する Python ライブラリで ロボット学習研究のためのエンドツーエンドインフラストラクチャを提供します. 機械のデモをリアルハードウェアから記録し,標準化されたデータセット形式でそのデモを保存しバージョン化し,データセットで最新の模倣学習と強化学習政策を訓練し,訓練されたポリシーをリアルハードウェアに再導入して評価する. これらの機能はそれぞれモジュラルのものです LeRobot をデータストレージのみ,またはフルスタックトレーニングおよび部署のために使用できます.
このプロジェクトはHuggingface組織の下でGitHubで運営されており,2026年初頭までに数千の星と数百人の貢献者が集まっています.データセットはHugging Face Hubに公開され,ダウンロードすることができます.
レロボットは特に価値あるものとして 機械学習プロジェクトが複製する"水道"作業をなくすことです カメラドライバの書き込み,データ記録の実装,データセットロードの構築,トレーニングループの設定,ハードウェアに戻るワイヤリングのポリシーです レロボット以前には 各ラボが独自のインフラストラクチャを 構築していました これは通常脆弱で 未文書で 他のラボが再現することは不可能でした レロボットはスタック全体を標準化しました
レロボット生態系
レロボットはツール,データセット,ハードウェアプラットフォームのエコシステムの中心部に位置しています
| Component | Role | Status |
|---|---|---|
| LeRobot Python library | Core framework for recording, training, evaluation | Stable (v0.5+) |
| Hugging Face Hub | Dataset hosting, versioning, community sharing | Production |
| Hardware drivers | ALOHA, Koch, SO-100/101, OpenArm, Lekiwi | Growing (community contributed) |
| Policy implementations | ACT, Diffusion Policy, TDMPC2 | Stable |
| Simulation environments | Aloha sim, PushT, xArm sim | Stable (for testing/dev) |
| Weights & Biases integration | Experiment tracking, loss curves, video logging | Built-in |
サポートされたアルゴリズム
レロボットはロボット学習研究において最も広く使用されているアプローチをカバーする3つの政策クラスのネイティブ実装を搭載しています
ACT (トランスフォーマーでアクション・チャンキング)
ACTは,微細な操作作業の主要なアルゴリズムである.トランスフォーマーベースのCVAE (条件変数自動エンコーダー) アーキテクチャを使用して,時間的な組み立てです.主要な革新は"アクションチャンキング"です. 単行行動ではなく将来のアクションのシーケンスを予測する.
典型的な構成: 200-500 のデモ,100 の パーツサイズ,A100 で 4-8 時間 の 訓練.予想される 成功率:標準的なテーブルタスク で 80-92%
拡散政策
行動予測のために,CNNベースの拡散を否定する変異とトランスフォーマーベースの変異の両方を実装する.マルチモダルのアクション分布の作業において,拡散政策は優れたものです. 作業に複数の有効なアプローチがある場合 (例えば,両方の側からオブジェクトを拾う).
訓練はA100で8-12時間かかります.インフェレンスはACTよりも遅い (複数のデノイズステップを必要とする),デノイズステップの数に応じて,典型的な遅延は50-100ms/アクション・チャック (デフォルト: 10-15).
TDMPC2
TDMPC2 (タイムロル・ディファレンス・モデル・プレディクティブ・コントロール) は,モデルベースのRLアルゴリズムで,世界モデルとポリシーの両方を学習し,シミュレーション環境が利用可能であるときにサンプル効率的なトレーニングを提供しています.ACTと拡散政策とは異なり,TDMPC2は人間の示範を必要としません.
模擬が利用可能であるが,示範が収集が困難である作業に最も適している.世界モデルは,特定の設定で純粋な模倣学習よりも新しい構成に一般化できる計画に基づく行動を可能にします.
各アルゴリズムはPyTorchで標準訓練スクリプト,水分配置管理,実験追跡のための重量&偏差統合で実装されています.アルゴリズムの間で切り替えは,構成ファイル変更の1つで,比較評価を簡単にする.
サポートされたハードウェア
箱の外のハードウェア統合には,以下のものがある.
| Platform | Type | DOF | Price Range | RCSV Available |
|---|---|---|---|---|
| ALOHA (ViperX) | Bimanual | 14 (2x7) | $15,000-20,000 | Yes (lab + lease) |
| Koch Arms | Single-arm | 6 | $1,500-3,000 | No |
| SO-100 / SO-101 | Single-arm | 5-6 | $300-800 | No |
| OpenArm 1 | Single-arm | 6 | $4,500 | Yes (store + lease) |
| Lekiwi | Mobile + arm | 6+3 | $2,000-4,000 | No |
RCSVの [店舗]
カメラサポートは,USBカメラをOpenCV,インテルRealSense深度カメラ,ウェブカメラ配列を通じてカバーする.録画システムは,ソフトウェアタイムスタンプと多カメラ同期を処理し,カメラごとに設定可能なフレームレートと解析度をサポートする.
レロボットデータセットフォーマット
レロボットは,標準化されたエピソード構造を持つHDF5ファイルとしてデータセットを保存します.各エピソードには観測のためのアレイが含まれます (映像ストリームとして圧縮された画像, float32アレイとして合体状態),アクション (合同位置目標),タイムスタンプ,注釈 (タスク言語文字列,成功フラグ).メタデータファイルはロボット構成,カメラ校正,データセット統計を記述します. このフォーマットは自定義的で携帯可能なように設計されています. 一台マシンに記録されたデータセットは,変更なしに他のマシンにトレーニングのために読み込めることができます.
データの構造はこうなります
dataset/
meta/
info.json # Robot config, camera params, stats
episodes.jsonl # Episode-level metadata
data/
chunk-000/
episode_000000.parquet # State + action data
videos/
chunk-000/
observation.images.top/
episode_000000.mp4 # Compressed camera streams
observation.images.wrist/
episode_000000.mp4
Hugging Face Hub に掲載されたデータセットには,統計,タスク説明,および使用例を含むデータセットカードが含まれています. これにより,コミュニティからのデータセットを発見し再利用が容易になり,一般的なタスクのデータ収集負担を軽減します.
開始: 完全 な 指導
インストールから訓練されたポリシーまでの 作業過程を全て説明します ハードウェアを備えたり シミュレーションを使用している場合でも
ステップ1: 設置
LeRobot は Python 3.10+ と PyTorch 2.0+ を必要とする.最新の機能のためにソースからインストールする.
# Clone and install
git clone https://github.com/huggingface/lerobot.git
cd lerobot
pip install -e ".[all]"
# Verify installation
python -c "import lerobot; print(lerobot.__version__)"
インストール時間は: CUDA が設定されているマシンで5~10分. CUDA が設定されていない場合は,まずCPU で PyTorch をインストールし,トレーニングデータがあるときに GPU に移動してください.
ステップ 2: 記録デモ (リアル・ハードウェア)
OpenArm または他のサポートされたハードウェアを持っている場合:
# Start recording with teleoperation
python lerobot/scripts/control_robot.py record \
--robot-path lerobot/configs/robot/openarm.yaml \
--fps 30 \
--root data/my_dataset \
--repo-id my-hf-user/my-task-dataset \
--num-episodes 50 \
--warmup-time-s 2 \
--episode-time-s 30 \
--reset-time-s 10
録画脚本ではカメラ同期,共同状態記録,エピソードセグメントを処理します.エピソードの間,次の録音が自動的に開始する前に作業空間をリセットするには
ステップ 3: データを視覚化して検証する
# Visualize recorded episodes
python lerobot/scripts/visualize_dataset.py \
--root data/my_dataset \
--episode-index 0
撮影前に,常に最初の5〜10話を見直してください.カメラの正しい角度,滑らかな関節動き追跡,エピソード開始/終了の適切なトリミング,一貫した作業場設定をチェックしてください.早期に問題を捉えることで,時間も節約できます.
4 ステップ: 政策 を 訓練 する
# Train ACT policy on your dataset
python lerobot/scripts/train.py \
policy=act \
dataset_repo_id=my-hf-user/my-task-dataset \
training.num_epochs=2000 \
training.batch_size=8 \
wandb.enable=true
訓練時間はデータセットサイズとGPUに依存する.RTX 4090では50エピソードで:ACTでは約2時間,Difusion Policyでは4時間.A100では約60%です.Wights & Biasesダッシュボードでトレーニングを監視します.
ステップ 5: 本物のハードウェアを評価する
# Deploy trained policy
python lerobot/scripts/control_robot.py record \
--robot-path lerobot/configs/robot/openarm.yaml \
--fps 30 \
--root data/eval_dataset \
--repo-id my-hf-user/my-task-eval \
--num-episodes 20 \
--policy-overrides policy.path=outputs/train/act/checkpoints/last/pretrained_model
評価エピソードを記録して,後期分析を行う. 失敗モードを理解することは,成功率を測定すると同じくらい価値があります.
RCSV ハードウェアがLeRobotと統合される方法
RCSVのハードウェアエコシステムは,ネイティブのLeRobot互換性のために設計されています.
OpenArm 1: LeRobot ロボット構成 YAMLファイルを持つ船.制御ボードにプラグして,LeRobot コントロールスクリプトを実行して,数分以内にデモを記録します.リーダーフォロワーテレオペレーションシステムはレロボットの録音インターフェースに直接マップします.完全なハードウェアセットアップウォークスルーについては,私たちの OpenArm設定ガイド を参照してください.
DK1 Bimanual: LeRobotでALOHA対応の双手システムとして設定された.両腕は単一のロボット構成でアクセスできます.DK1で記録された双手デモはACT双手政策実施と互換性があります.
RCSVプラットフォーム統合: RCSVプラットフォームを通じて収集されたデータセットは,一クリックでレロボットフォーマットで直接輸出できます.輸出には,カメラ内部のデータ,ロボット URDF,エピソード注釈,成功ラベルなどすべての必要メタデータが含まれます.手動形式変換は必要ありません.
コミュニティデータセットハブ
レロボットの最も強力な機能の一つは,データセット共有のためのハグリングフェイスハブ統合です.2026年初頭時点で,ハブはコミュニティからの数百のロボット学習データセットをホストしています.
- 腕のプラットフォームと物体セットを様々な場所と場所と
- ALOHA 双手作業 (調理,折り畳み,組み立て)
- SO-100コミュニティの課題と基準
- Lekiwiとカスタムプラットフォームによるモバイル操作
- PushTおよび他のベンチマークタスクのためのシミュレーションデータセット
コミュニティデータでは,コミュニティデータへのプレートトレーニング,そしてハードウェアや環境のためのタスク特別のデモを細かく調整します. このアプローチは通常は,大規模なゼロからのトレーニングのパフォーマンスの8090%を,カスタムデータが510倍少ないものとする.
常識 の 罠 や 問題 解決
- カメラフレームの減少: USB帯域幅制限. 3以上の USBカメラを USB コントローラーで実行すると,フレームの減少が起こる.解決策: PCIe USB カードを独立 コントローラーで使用するか,カメラの解像度/フレームレートを減らす.
- **Servo通信タイムアウト:**Dynamixelシリアルバスは高速な交通でタイムアウトすることができます.Servo設定でリターン遅延を最小限に設定することによって状態返却パケットの数を減らす.
- トレーニングの差異: 初回減少後損失が増加した場合,学習率を2~5倍減らす. ACTは学習率に敏感です
- ** 導入中に政策の緊張:** ACT 構成でタイムランブルウィンドウのサイズを増やす. デフォルトは遅い,意図的な作業にはしばしば小さすぎる.それを倍にしようとしてください.
- エピソードタイムスタンプの誤った配列: LeRobotはソフトウェアタイムスタンプを使用します. <10msの同期を必要とする高精度な作業では,カメラのハードウェアトリガーとハードウェアトリガータイムスタンプをメインクロックとして使用することを考慮してください.
RCSV輸出互換性
RCSVの [データプラットフォーム] (
RCSVデータをLeRobotのトレーニングパイプラインに統合する際の疑問がある場合は, [RCSVエンジニアリングチーム]
レロボット対他のフレームワーク
| Framework | Best For | Limitations |
|---|---|---|
| LeRobot | End-to-end IL on real hardware, community datasets | Limited RL support, no sim-to-real pipeline |
| Isaac Lab | GPU-parallelized RL in simulation | No real hardware support, simulation only |
| RoboCasa / MimicGen | Synthetic data generation for household tasks | Simulation only, no real hardware |
| Octo / OpenVLA | Foundation model fine-tuning | Requires pre-trained weights, less flexible |
新しいロボット学習プロジェクトをスタートするほとんどのチームにとって,レロボットはデフォルトで正しい選択です.シミュレーションでRLのためのIsaac Labを使用 (Isaac Labガイドを参照してください) [
レロボット ディープダイブ
- ステップ・バイ・ステップ インストール 50のデモを録音し 2時間以内に ACTを訓練する
- [LeRobot 統合参照 (ウィキ) ]
T16 ) DK1,SO-101,OpenArm の開発者 統合ガイド - HDF5 vs RLDS vs LeRobot データセット フォーマット比較
どのバージョンをどのように変換するか - LeRobotデータセットフォーマット説明
パーク + MP4スケーマ参照 - LeRobot フレームワーク Definition
簡潔な語彙入力 - LeRobotオープンソースデータセット
コミュニティデータセットハブ概要 - LeRobot Policy Models (ACT, SmolVLA)
モデルアーキテクチャ参照 - [LeRobotデータトラブルシューティング]
T22 ) 設定問題と収集障害を診断する - [LeRobot Data Integration Guide]
T23 ) ワイヤリングハードウェア,ソフトウェア,および安全作業流 - [OpenArm設定ガイド]
T24 ) LeRobotのハードウェア設定 - [RL vs 模倣学習]
T25 ) 選択するアプローチ - サイクルの実験室の開始
- RCSVデータサービス
専門的なデータ収集 - [RCSV ストア]
T28 ) OpenArmと部品
レロボット+RCSVハードウェアを始めてください
RCSVのOpenArmはネイティブのLeRobotサポートを持っています.店から4500ドル (約4500ドル) を購入するか,月800ドルからレンタルします.RCSVの輸出を通じて収集されたデータは,LeRobotフォーマットに直接転送されます.
ブラウズハードウェア [OpenArm](