레로봇 <unk>스타트 가이드

Hugging Face LeRobot을 설치하고 로봇 팔을 연결하고 50개의 시범을 녹음하고 첫 번째 조작 정책을 훈련시켜 2시간도 안되는 시간 안에

초보자 중간 12시간 업데이트 2026년 4월

1. 2. 설치 3. 하드웨어 3. 캘리버 4. 녹음 5. 시각화 6. 열 7. 평가 8. 공유

전제 조건

• 지원되는 로봇 팔 (완전 목록은 단계 2 참조)
• 우분투 22.04 또는 24.04 (macOS는 일부 기능에 작동합니다)
• 파이썬 3.10+
• 8 GB 이상의 VRAM를 가진 NVIDIA GPU (훈련용, 녹화용이 필요하지 않습니다)
• USB 웹캠 또는 RealSense 카메라

당신이 건설할 것은

이 빠른 시작에서 당신은 LeRobot을 설치하고 로봇 팔을 연결하고 캘리버링하고, 선택과 장소 작업의 50개의 시범 에피소드를 기록하고, ACT (Transformers와 액션 킹) 정책을 훈련하고, 로봇에서 실행하고, HuggingFace Hub에 데이터 세트를 공유합니다. 결국, 로봇은 자율적으로 물건을 수집하고, 그것들을 배치합니다.

1

레로봇을 설치

레로봇은 파이썬 패키지로 설치합니다. 우리는 모든 것을 깨끗하게 유지하기 위해 가상 환경을 사용하는 것을 권장합니다.

복사# 가상 환경을 생성 python3 -m venv ~/lerobot_env 소스 ~/lerobot_env/bin/activate # LeRobot 기본 패키지 칩을 설치 lerobot # 또는 모든 하드웨어 추가로 설치 "lerobot[all]" 칩을 설치하거나 특정 하드웨어 지원 칩을 설치 "lerobot[dynamixel]" SO-100를 위해 설치, Koch, OpenArm 칩을 설치 "lerobot[현실식]" Intel RealSense 카메라를 위해 설치 #

레로봇 v0.8.1

** 빠른 확인:** 버전 번호를 보시면, 갈 수 있습니다. T0 또는 일련 포트들이 빠짐에 대해 오류가 발생하면 시스템 의존성을 설치하십시오: T1

2

지원된 하드웨어

레로봇은 저렴한 로봇 팔의 생태계를 통해 성장하고 있습니다.

SO-100

6DOF 데스크톱 팔, 다이내믹셀 세르보스, 가장 인기있는 레로봇 팔

~ $200 (DIY 키트)

아름

데이터 수집을 위해 설계된 6DOF 팔꿈치 카메라 마운팅

2,400달러

코치 v1.1

5DOF 저비용 팔, 학습에 좋은, 복잡한 작업에 제한된

~ 150달러 (DIY)

아로하

두 팔의 양동형 설정, 현명한 조작의 금표

20만달러+

모스

6DOF 가벼운 팔, 통합 컨트롤러

~ 500달러

주X 250

트로센 로봇의 전문 연구 기관입니다.

3천500달러

레로봇에 로봇 팔이 필요해?

오픈아름은 데이터 수집을 위해 처음부터 설계되었습니다.

[OpenArm in Store]

3

팔 을 연결 하고 조정

USB를 통해 로봇 팔을 연결하고 캘리버링 루틴을 실행하세요. 이렇게 통신을 설정하고 물리적 관절의 한계를 지도합니다.

복사# 로봇의 일련 포트를 찾아 ls /dev/ttyUSB* /dev/ttyACM* # 권한 설정 (한 번만 필요하거나 udev 규칙을 추가) sudo chmod 666 /dev/ttyUSB0 # 캘리브레이션 실행로봇 캘리브레이션 \ --robot-type=so100 \ --port=/dev/ttyUSB0

기량 측정은 팔의 움직임을 촉구합니다.

/dev/ttyUSB0에 SO-100를 가동합니다. 1 관절 (기반) 을 최소 위치로 이동하고 Enter를 누르세요. 1 관절 (기반) 을 최대 위치로 이동하고 Enter를 누르세요. ... 가동 완료! ~/.lerobot/kalibration/so100.json로 저장합니다.

만약 당신이 원격 수술을 위한 선두 팔을 가지고 있다면, 그것을 또한 기량화하십시오.

복제 로봇 기량 \ --robot-type=so100 \ --port=/dev/ttyUSB0 \ --leader-port=/dev/ttyUSB1

** 중요:** 캘리브레이션이 걸려있는 경우 다른 프로그램이 시리얼 포트를 사용하지 않는지 확인하십시오 (아르두이노 IDE, 화면 세션 등을 닫으십시오). 또한 보드 속도가 당신의 세르보와 일치하는지 확인합니다.

4

50개의 데모 에피소드를 녹음

로봇을 가르치기 위한 시간입니다. 간단한 작업을 설정하세요. 우리는 "블록을 모아 그릇에 넣으세요"를 첫 번째 작업으로 추천합니다. 50개의 시범을 녹음하세요.

Copy# 리더 팔 텔레오퍼레이션 레로봇 레코드 \ --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 # 키보드 컨트롤: # Enter start/stop an episode # Space pause/resume # r (discard and restart current episode) # q quit and save all completed episodes

좋은 시연을 녹음하기 위한 팁:

• ** 일관성:** 각 에피소드는 같은 홈 위치에서 시작됩니다
• ** 부드럽게 움직여:** 거나 급한 움직임을 피하십시오.
• 다양한 위치: 블록을 매번 약간 다른 곳에 배치하십시오.
• ** 항상 성공하세요:** 성공한 시범을만 유지하세요
• 방식을 취하세요: 피로움이 무선한 데모를 초래합니다

** 50 에피소드 는 ACT 정책 을 적용 하는 간단한 선택 및 장소 작업 에 충분 합니다. 전체 녹음 세션 은 약 2030 분 이 소요 됩니다. 각 에피소드 는 일반적으로 515 초 이 소요 됩니다.

5

데이터 세트를 시각화 해 보십시오

훈련 전에 녹음된 에피소드를 확인해 보세요.

복사# 내장된 시각화 랜더를 실행하세요 lerobot vizualize-dataset \ --dataset-path=/datasets/my_first_dataset # 또는 특정 에피소드를 보시기 바랍니다 lerobot vizualize-dataset \ --dataset-path=/datasets/my_first_dataset \ --episode=0

이 방법은 공동 위치 음반과 함께 카메라의 시각을 보여주는 브라우저 창을 열게 됩니다.

• 카메라 이미지는 명확하다 (검은색이 아니라, 얼어붙지 않는다)
• 관절 궤도는 부드럽다 (고속이 없다)
• 에피소드는 깨끗하게 시작되고 끝납니다
• 각 에피소드에서 작업이 성공적으로 완료됩니다

복사# 레로봇.common.datasets import LeRobotDataset ds = LeRobotDataset('~/datasets/my_first_dataset') print(f'Episodes: {ds.num_episodes}') print(f'Total frames: {len(ds)}') print(f'FPS: {ds.fps}') printf'Keys: {listds[0].keys(}') "

6

ACT 정책 을 훈련 시키십시오

이제 재미있는 부분은 여러분의 시범에 신경망 정책을 훈련합니다. 우리는 ACT (Transformers와 액션 킹) 를 사용하겠습니다.

복사# 트레이닝 ACT 정책 데이터 세트에서 로봇을 배열\policy=act--dataset-path=/datasets/my_first_dataset--output-dir=/policy/my_first_policy\num-epochs=100 \batch-size=8 \lr=1e-4 # 트레이닝 출력: # 에포크 1/100 √ 손실: 0.4521 √ 시간: 12s # 에포크 10/100 √ 손실: 0.1234 √ 시간: 11s # 에포크 50/100 √ 시간: 0.0312 √ 시간: 11s # 에포크 100/100 √ 손실: 0.0187 √ 시간: 11s # Training completed! 정책에 저장된 ~/policy/my_first_policy

훈련 시간은 GPU와 데이터 세트 크기에 달려 있습니다.

• RTX 3060 (12 GB): ~50 에피소드 중 100 에피소드 동안 30 분
• RTX 4090 (24 GB): ~10분
• CPU만: ~3시간 ( 권장하지 않습니다)

** 훈련 중단 시:** 손실 곡선을 관찰하십시오. 20년 이상 동안 손실이 감소하지 않은 경우, 일찍 중단 할 수 있습니다. 과잉 부착은 작은 데이터 세트와 ACT 훈련 손실이 매우 낮은 경우에도 정책이 잘 일반화됩니다.

7

당신 의 정책 을 평가 하십시오

로봇에 훈련된 정책을 실행하고 그 수행 방식에 대해 확인하고 작업 설정이 훈련 환경에 맞는지 확인하세요.

복사# 로봇에 대한 정책을 실행하세요 lerobot eval \ --policy-path=~/policy/my_first_policy \ --robot-type=so100 \ --port=/dev/ttyUSB0 \ --num-rollouts=10 # 출력: # rollout 1/10: SUCCESS # rollout 2/10: SUCCESS # rollout 3/10: FAILURE gripper missed object # rollout 4/10: SUCCESS # ... # 성공률: 7/10 (70%) # 평균 에피소드 길이는: 8.3s

첫 번째 시도에서 70%의 성공률은 확실한 결과입니다.

• 특별한 실패 사례에 대한 더 많은 디모를 수집 (사진의 가장자리에 있는 객체, 다른 방향)
• 실험이 여전히 감소하는 경우 훈련 기간을 200개로 늘리십시오
• ** 로봇이 같은 목표에 이르는 다른 길을 걷는 작업에 대한 방전 정책을 시도하십시오**

복사# 대신 퍼포션 정책을 시도하고 싶습니까? lerobot train \ --policy=diffusion \ --dataset-path=/datasets/my_first_dataset \ --output-dir=/policy/my_first_diffusion \ --num-epochs=200

8

HuggingFace 허브에 공유

데이터 세트와 훈련된 정책을 HuggingFace Hub에 밀어 넣어서 다른 사람들이 사용할 수 있습니다

복사# HuggingFace 로 로그인 (한 번 설정) huggingface-cli 로그인 # 데이터 세트를 눌러서 lerobot push-to-hub \ --dataset-path=/datasets/my_first_dataset \ --repo-id="your-username/my-first-lerobot-dataset" # 훈련된 정책을 눌러서 lerobot push-to-hub \ --policy-path=/policy/my_first_policy \ --repo-id="your-username/my-first-act-policy"

귀하의 데이터 세트는 이제 T2에서 및 귀하의 정책은 T3에서 사용할 수 있습니다.

축하합니다.

레로봇을 설치하고 로봇을 연결하고 시범을 녹음하고, 정책을 훈련시키고, 이를 배포했습니다. 이것은 현대 로봇 학습의 기초입니다. 여기서부터 더 큰 데이터 세트, 더 복잡한 작업, VLA 모델로 확장 할 수 있습니다. 아래의 튜토리얼을 더 깊이 들어가기 위해 확인하십시오.

문제 해결

일련 포트 허가 거부

T4을 실행하거나 사용자 를 dialout 그룹에 추가: T5 로그 아웃/인 로그 아웃. 영구 수정을 위해 udev 규칙을 생성하십시오.

로봇 팔은 감지되지 않았습니다

USB 연결을 확인하세요. 사용 가능한 포트를 보기 위해 T6을 실행하세요. 다른 USB 포트나 케이블을 시도하세요. 일부 USB 허브는 컴퓨터에 직접 연결하는 데 문제가 있습니다.

훈련 손실은 감소하지 않습니다

데이터 세트가 빈 또는 손상된지 확인하세요: T7. 학습 속도를 T8로 줄이세요. 에피소드에는 실제 움직임이 포함되어 있는지 확인하십시오.

정책이 실행되고 로봇은 움직이지 않습니다

로봇이 올바른 제어 모드에서 있는지 확인하세요. 동작 크기가 로봇과 일치하는지 확인하세요. 6 관점 + 지착기 = 7D. 원동력 동작을 보려면 T9를 실행하세요.

카메라 은 녹음에서 검은색입니다

T10로 카메라 지수를 확인하세요. 다른 응용 프로그램이 카메라를 사용하지 않는지 확인하십시오. T11 로 확인하세요. T12을 인쇄해야 합니다.

관련 교과서

[

레로봇 전체 가이드

전체적인 개요: 레로봇이 무엇인지, 모든 지원 알고리즘, 하드웨어 생태계, 그리고 RCSV가 어떻게 통합되는지.

[T14][

로봇 훈련 데이터를 수집

품질 점수, RLDS 형식, 그리고 최선의 실천으로 데이터 수집을 확장하십시오.

[T15]

VLA 모델의 정렬

언어 조건의 제어에 대해 데이터 세트에 ACT 열 OpenVLA 또는 pi0를 넘어서십시오.

[T16][

오픈아름 첫 데모

레로봇의 이상적인 팔은 오픈아름을

[T17]

자주 묻는 질문

어떤 로봇 팔이 레로봇과 작동할까요?

레로봇은 SO-100, 코치 v1.1, 아로하, 모스, 오픈아름, 와도엑스, UR 시리즈 로봇을 지원합니다. 프레임워크는 확장 가능합니다. 레로봇 로봇 인터페이스를 구현하는 간단한 파이썬 드라이버를 작성하여 모든 로봇에 대한 지원을 추가할 수 있습니다.

레로봇 정책 훈련에 얼마나 많은 시범이 필요할까요?

ACT 정책과 함께 픽 앤 플레이 같은 간단한 작업에 대해서는 50 개의 시범이 충분합니다. 더 복잡한 작업에 대해서는 100200을 목표로합니다.

ACT란 무엇인가? 그리고 그것은 어떻게 방산 정책과 비교되는가?

ACT (Action Chunking with Transformers) 는 하나의 관찰에서 미래의 행동의 연속을 예측하여 조작 작업에 빠르고 효과적인 결과를 만들어줍니다. 방산 정책은 행동을 생성하기 위해 비방하는 방산 과정을 사용합니다. 종종 다 모달 행동을 더 잘 처리합니다. ACT는 더 빨리 훈련합니다. 방산 정책은 모호한 상황에 더 견고합니다. 첫 번째 프로젝트에 ACT를 시작하십시오.

물리적인 로봇이 없는 레로봇을 사용할 수 있나요?

예. LeRobot에는 프레임워크를 배우기 위해 사용할 수 있는 시뮬레이션 환경과 예제 데이터 세트들이 포함되어 있습니다. HuggingFace Hub에서 커뮤니티 데이터 세트에 대한 정책을 훈련하고 하드웨어에 배포하기 전에 시뮬레이션에서 평가할 수 있습니다.

레로봇의 정책을 훈련시키기 위해 GPU가 필요할까요?

최소 8 GB의 VRAM를 가진 GPU는 강력히 권장된다. 50 에피소드 ACT 정책 훈련은 RTX 3060에서 약 30 분, RTX 4090에서는 10 분 소요된다. CPU 훈련은 가능하지만 510x 더 오래 걸립니다. 반복은 고통스럽게 느려집니다.

이 설명서가 도움이 되었나요?

👍 네 아니

로봇 기술 에서 앞장서

로봇 배포, 데이터 수집, 물리 AI에 대한 최신 정보를 수신 상자에 전달하십시오.