レロボット ファーストスタートガイド
ローボット腕を接続してデモを記録し 2時間以内に最初のポリシーを訓練します
抱きしめく顔のレロボットを インストールして ロボット腕を接続して 50回のデモを記録し 最初の操作策を 2時間以内に練習します
初心者 中間
1. 2. 硬件3. カリバー4. レコード5. 6. 視覚化7. 評価8. 共有
必須条件
- サポートされているロボット腕 (完全なリストについてはステップ2を参照)
- Ubuntu 22.04 または 24.04 (macOS は一部の機能で動作します)
- パイthon 3.10+
- NVIDIA GPU 8 GB+ VRAM (訓練用;録音用には必要ない)
- USBウェブカメラやRealSenseカメラ
建設するものは
この速スタートでは,レロボットをインストールし,ロボット腕を接続し,カリバー化し,ピックアンド・プレスタスクのデモエピソード50件を記録し,ACT (Transformersとアクションチャンキング) ポリシーを訓練し,ロボットで実行し,データセットをハグジングフェイスハブに共有します.
1 年間
レロボットをインストール
仮想環境を使って 掃除をします 仮想環境を使って 掃除をします
コピー# 仮想環境を作成 python3 -m venv ~/lerobot_env源 ~/lerobot_env/bin/activate # LeRobot
レロボット v0.8.1
バージョン番号が表示された場合は,行きます. 失踪した
2 について
サポートされたハードウェア
ローボットは 格安なロボット腕のエコシステムで 働いています.
SO-100
6DOF デスクトップ腕 ダイナミクセルセルボ 最も人気のレロボット腕
~$200 (DIYキット)
オープンアーム
データを収集するために設計された6DOF腕
ドル2,400
コッチ v1.1
学習に適した 複雑な作業に限った
~$150 (DIY)
ほら
双腕の双手セット 巧妙な操作の金基準
20万ドル以上
軽量6DOF腕 制御器が組み込まれている
~500ドル
寡婦X 250
トロセンロボットから プロの研究部門
ドル3,500
レロボットにロボット腕が必要か?
OpenArmは,データ収集の為の設計されています 預計キャリブレット,腕カメラを設置し,リーダーフォローを準備しています 3~5営業日以内に発送されます.
[OpenArm in Store をご覧ください]
3 について
腕 を 繋げ て 調整 する
USB を 介して ロボット 腕 に 接続 し,校正 ルーティン を 実行 し て ください.これ は 通信 を 確立 し,物理 的 な 関節 の 限界 を 映し出します.
コピー# ロボットのシリアルポート ls /dev/ttyUSB* /dev/ttyACM* # 許可を設定 (一度のみ必要,または udev ルールを追加) sudo chmod 666 /dev/ttyUSB0 # カリブラリを実行する ロボット カリブラリ \ --robot-type=so100 \ --port=/dev/ttyUSB0
調整は腕を動き範囲で移動させるように促します
/dev/ttyUSB0 でSO-100を校正する. 結合1 (ベース) を最小位置へ移動し,Entを押す.結合1 (ベース) を最大位置へ移動し,Entを押す. ...校正完了! ~/.lerobot/校正/so100.json に保存
遠隔操作用の手腕があれば カリバー化してください
複製ロボットの校正 \ --robot-type=so100 \ --port=/dev/ttyUSB0 \ --leader-port=/dev/ttyUSB1
重要: カリブラーションが掛かっている場合は,他のプログラムがシリアルポートを使用していないことを確認してください (アーディノ IDE,スクリーンセッションなどを閉じる). また,バードレートがあなたの伺服器に一致することを確認してください ダイナミクセルデフォルトは 1000000です.
4 について
50 件を記録する
簡単な作業を設定します ブロックを拾ってボウルに詰め込むようにしましょう ビデオを50回記録します
コピー#リーダー腕のテレオペレーションレロボット記録で録音を開始します \ --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 #キーボード制御: # Enter
優れたデモを記録するためのヒント:
- 一貫性がある: 各エピソードも同じホームポジションからスタートする
- 滑らかに移動する: 動揺したり急いで動かないこと
- 異なる位置: ブロックを毎回わずかに異なる場所に配置する
- 毎回成功する: 成功したデモのみを続ける
- **休憩:**疲労は怠慢なデモを招く
50話はACTポリシーで簡単なピックアンドプレイスタスクで十分.全録画セッションは約2030分.各話は通常515秒です.
5 について
データを 想像する
訓練する前に 記録されたエピソードをチェックして 正しく見えるようにしてください
コピー# 内蔵ビジュアルライザーを起動します. レイロボットビジュアルライズ・データセット \ --dataset-path=~/datasets/my_first_dataset # または特定のエピソードを表示します.
ブラウザのウィンドウが開きます.
- カメラ画像は明瞭 (黒く冷凍されていない)
- 合流軌跡は滑らか (突然のピークがない)
- 清潔に始まり,終わります
- 任務は各エピソードで成功
ダウンロード# ファイルセットに関する迅速な統計 python3 -c " をレロボット.common.datasets import LeRobotDataset ds = LeRobotDataset('~/datasets/my_first_dataset') プリント(f'Episodes: {ds.num_episodes}') プリント(f'Total frames: {len(ds)}') プリント(f'FPS: {ds.fps}') プリントf'Key: {listds[0.keys)))) ") "
6 について
行動政策を訓練する
面白いのは 演示の際に神経ネットワークのポリシーを訓練します ACT (トランスフォーマーでアクションチャンキング) を使用します これは操作作業でうまく機能し 速く訓練されます
コピー# トレーン ACT ポリシー データセット レボット列車 ポリシー=アクション データセット-パス=/データセット/私の_第一_データセット \ --output-dir=/政策/私の_第一_政策 \ -num-epochs=100 \ -batch-size=8 \ -lr=1e-4 \ # トレーニング出力: # エpoch 1/100 損失: 0.4521 時間は: 12s # エpoch 10/100 損失: 0.1234 時間は: 11s # エpoch 50/100 損失: 0.0312 時間は: 11s # エpoch 100/100 損失: 0.0187 時間は: 11s # トレーニング完了! ポリシーを ~/policies/my_first_policyに保存する
訓練時間は,GPUとデータセットのサイズに依存します.
- RTX 3060 (12 GB): ~50話で100エピソードで30分
- RTX 4090 (24 GB): ~10分
- CPUのみ: ~3時間 (推奨されていません)
訓練を止める時: 損失曲線を観察する. 20年以上も損失が減少していない場合,早く停止することができます. 過剰なフィッティングは小さなデータセットで懸念されず,ACT
7 について
政策 を 評価 する
訓練されたロボットに 訓練されたロボットを 実行して その動作を確認し, 訓練環境に適合する作業設定を確認してください.
コピー# ロボットレロボット eval \ --policy-path=~/policy/my_first_policy \ --robot-type=so100 \ --port=/dev/ttyUSB0 \ --num-rollouts=10 # 出力: #Rollout 1/10: SUCCESS #Rollout 2/10: SUCCESS #Rollout 3/10: FAILURE
最初の試みで70%の成功率は 堅固な結果です
- 特定の故障ケースのためにより多くのデモを集める (エッジのオブジェクト,異なる方向)
- ** 損失が減少している場合,訓練期間を200まで増加させる
- ロボットが同じ目標に向かって異なる道を歩む作業の際には,拡散ポリシーを試す
複製# 拡散政策を試したいですか? ローボット列車 \ --policy=diffusion \ --dataset-path=/datasets/my_first_dataset \ --output-dir=/policy/my_first_diffusion \ --num-epochs=200
8 について
HuggingFace Hub に 共有する
データをHuggingFaceHubに押し込み ほかのユーザーが利用できるようにします
コピー# HuggingFaceへのログイン (一度設定) huggingface-cliログイン # データをセットを押しします データをセットをプッシュ-to-hub \ --dataset-path=~/datasets/my_first_dataset \ --repo-id="your-username/my-first-lerobot-dataset" # 訓練されたポリシーを押しします プログラムを実行する
データベースは現在
頑張ったよ
ロボットをインストールし ロボットを接続し デモンストレーションを録音し,ポリシーを訓練し,それを展開しました. これは現代のロボット学習の基礎です. ここから,より大きなデータセット,より複雑なタスク,および VLAモデルに拡大できます. 下のチュートリアルを見て,より深く進みます.
トラブルシューティング
シリアルポート許可拒否
ロボット腕が検出されていない
USB接続を確認する.利用可能なポートを見るために
訓練損失は減少しない
学習速度は
政策は実行されますが ロボットは動かない
ロボットが制御モードを正しく操作していることを確認します.動作寸法がロボットに一致しているかどうかを確認します (6 節 + 握手 = 7D). 送信される原動を確認するために
カメラのフィードはブラック
関連 チュートリアル
[ 固定リンク ]
レロボット 完全なガイド
LeRobotとは何か,すべてのサポートされたアルゴリズム,ハードウェアエコシステム,および RCSVがどのように統合されるかについての完全な概要.
ロボット訓練データ収集
品質スコア,RLDSフォーマット,ベストプラクティスによってデータ収集を拡大します
VLAモデルを細かく調節する
言語制御のために,データセットの ACT
](
OpenArm 最初のデモ
オープンアームは 解封から最初のデモまで設定されます
よく 聞かれる 質問
どんなロボット腕がレロボットと動作する?
LeRobot は SO-100, Koch v1.1, Aloha, Moss, OpenArm, WidowX, UR シリーズ ロボットをサポートしています.フレームワークは拡張性です.
レロボットの政策訓練には 何回のデモが必要ですか?
ACT 政策による"ピックアンド・プレス"のような簡単な作業では,50回のデモが十分で,有効な政策が得られる.より複雑な作業では100~200の目標を設定します.
ACTとは何か? 拡散政策とはどのように比較されるのか?
ACT（Action Chunking with Transformers） は,単一の観察から将来のアクションの連続を予測し,操作作業に迅速かつ効果的になる.拡散政策は,行動を生成するために否定的な拡散プロセスを使用し,多モード行動をよりうまく処理する.ACTはより速く訓練する.拡散政策は曖昧な状況に対してより堅固である.あなたの最初のプロジェクトのためにACTから始めましょう.
物理的なロボットなしでレロボットを 使うことはできますか?
フレームワークを学習するために利用できるシミュレーション環境と例データセットを LeRobot に含みます. HuggingFace Hub からコミュニティデータセットに関するポリシーを訓練し,ハードウェアに展開する前にシミュレーションで評価することができます.
ゲープがレロボットの政策を訓練するのに必要なのか?
少なくとも8GBのVRAMを持つGPUは強く推奨される.50エピソードでのACTポリシートレーニングはRTX 3060で約30分,RTX 4090では10分かかります.CPUトレーニングは可能だが5
このチュートリアルが役に立ったのか?
👍 はい
ロボット に 進歩 し て ください
ロボット部署,データ収集,物理的なAIに関する最新情報を メールボックスに届けます