Introducción a la inteligencia incorporada (LeRobot)

Para desarrolladores que hacen «aprendizaje robótico» por primera vez. Con HuggingFace LeRobot + el brazo robótico JUXI SO-ARM101: recorrido completo de recolección → entrenamiento → evaluación.

1. ¿Qué es la inteligencia incorporada?

La inteligencia incorporada (Embodied AI) permite a un agente interactuar con el mundo físico a través de los sensores del cuerpo. El aprendizaje por imitación robótica es una línea principal: demostraciones teleoperadas → recolección de datos → entrenamiento del modelo de política → el robot reproduce las acciones.

Por qué es importante: la programación tradicional no cubre tareas complejas (atornillar, doblar ropa); el aprendizaje por imitación solo necesita «demo + entrenamiento».

2. Configuración de hardware

Componente	Recomendación	Descripción
Brazo robótico	SO-ARM101 (leader + follower)	Teleoperación bimanual, 6 DOF
Computación	Jetson Orin NX Super / host 4090	entrenamiento con gran potencia, inferencia en Jetson
Visión	RealSense / cámara USB	captura del entorno en teleoperación

• Tutorial de uso de SO-ARM101
• Kit Jetson Orin NX Super

3. Instalación del entorno

# Clonar (fork estable de JUXI)
git clone https://github.com/Juxi-Technology/lerobot.git
cd lerobot
pip install -e ".[feetech]"        # SO-ARM usa servos Feetech
# Usuarios de Jetson: comprobar primero PyTorch
python3 -c "import torch; print(torch.cuda.is_available())"

4. Recolección de datos (teleoperación)

# Calibrar el brazo (primera vez)
lerobot-calibrate \
  --robot.type=so101_follower --robot.port=/dev/ttyACM0 --robot.id=my_arm
# Recolectar datos
lerobot-record \
  --robot.type=so101_follower --robot.port=/dev/ttyACM0 \
  --teleop.type=so101_leader --teleop.port=/dev/ttyACM1 \
  --dataset.repo_id=juxi/pick_cube \
  --dataset.num_episodes=50 \
  --dataset.single_task="Pick the red cube" \
  --dataset.episode_time_s=30

Consejos de recolección:

• ≥50 episodios por tarea, variar posiciones/técnicas
• Cámara fija, objeto visible de forma coherente
• Estilo de demostración consistente (mismo demostrador)

5. Entrenamiento

# Política ACT (recomendada para empezar)
lerobot-train \
  --dataset.repo_id=juxi/pick_cube \
  --policy.type=act \
  --output_dir=outputs/train/act_pick \
  --steps=300000 \
  --policy.device=cuda

Elección de política:

Política	Ventajas	Uso
ACT	estable incluso con pocos datos, accesible	tareas únicas, pocos datos
Política de difusión	movimientos multimodales complejos	manipulación fina
SmolVLA / modelos de base	generalización zero/few-shot	múltiples tareas

6. Evaluación

# Reproducir el dataset (comprobar calidad)
lerobot-dataset-viz --repo-id juxi/pick_cube
# Evaluar la política
lerobot-record \
  --robot.type=so101_follower --robot.port=/dev/ttyACM0 \
  --policy.path=outputs/train/act_pick/checkpoints/last/pretrained_model \
  --dataset.repo_id=juxi/eval_pick \
  --policy.device=cuda

Métrica	Descripción
Tasa de éxito	proporción de tareas completadas
Suavidad de trayectoria	si los movimientos tiemblan
Generalización	éxito también con otros objetos/posiciones

7. Preguntas frecuentes

Q: ¿El entrenamiento es lento?

A: Cantidad de datos, steps y potencia son proporcionales. Empezar con 50 episodios / 100k steps, validar el flujo y luego escalar.

Q: ¿La política solo hace una acción?

A: El entrenamiento de una sola tarea necesita un dataset de tarea; los modelos de base GR00T/Pi0 se pueden ajustar a multitarea con pocos datos.

Q: ¿Los movimientos tiemblan tras entrenar?

A: Comprobar la calidad de los datos (demos estables), añadir filtro de suavizado, reducir la frecuencia de control.

Q: ¿Falta de memoria/VRAM?

A: Reducir batch_size, resolución de imagen; en Jetson usar la versión de 16 GB.

---

Enlaces relacionados

• Guía de selección de brazos robóticos
• Introducción al despliegue de IA en el borde
• Pinza flexible de TPU SO-ARM101
• Kit de visión robótica SO-ARM101

Soporte técnico

• 📧 Correo: support@juxitech.com
• 🌐 Sitio oficial: www.juxitech.com