Introduzione all'intelligenza incarnata (LeRobot)

Per sviluppatori che affrontano per la prima volta l'«apprendimento robotico». Con HuggingFace LeRobot + il braccio robotico JUXI SO-ARM101: percorso completo raccolta → training → valutazione.

1. Cos'è l'intelligenza incarnata?

L'intelligenza incarnata (Embodied AI) permette a un agente di interagire col mondo fisico tramite i sensori del corpo. L'apprendimento robotico per imitazione ne è una linea principale: dimostrazioni teleoperate → raccolta dati → training del modello di policy → il robot riproduce le azioni.

Perché è importante: la programmazione classica non copre compiti complessi (avvitare, piegare vestiti); l'apprendimento per imitazione richiede solo «demo + training».

2. Configurazione hardware

Componente	Raccomandazione	Descrizione
Braccio robotico	SO-ARM101 (leader + follower)	Teleoperazione bimanuale, 6 DOF
Calcolo	Jetson Orin NX Super / host 4090	training ad alta potenza, inferenza su Jetson
Visione	RealSense / fotocamera USB	cattura dell'ambiente in teleoperazione

• Tutorial d'uso SO-ARM101
• Kit Jetson Orin NX Super

3. Installazione dell'ambiente

# Clonare (fork stabile JUXI)
git clone https://github.com/Juxi-Technology/lerobot.git
cd lerobot
pip install -e ".[feetech]"        # SO-ARM usa servo Feetech
# Utenti Jetson: verificare prima PyTorch
python3 -c "import torch; print(torch.cuda.is_available())"

4. Raccolta dati (teleoperazione)

# Calibrare il braccio (prima volta)
lerobot-calibrate \
  --robot.type=so101_follower --robot.port=/dev/ttyACM0 --robot.id=my_arm
# Raccogliere i dati
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

Consigli di raccolta:

• ≥50 episodi per task, variare posizioni/tecniche
• Fotocamera fissa, oggetto visibile in modo coerente
• Stile di dimostrazione costante (stesso dimostratore)

5. Training

# Policy ACT (consigliata per iniziare)
lerobot-train \
  --dataset.repo_id=juxi/pick_cube \
  --policy.type=act \
  --output_dir=outputs/train/act_pick \
  --steps=300000 \
  --policy.device=cuda

Scelta della policy:

Policy	Vantaggi	Uso
ACT	stabile anche con pochi dati, accessibile	task singoli, pochi dati
Policy di diffusione	movimenti multimodali complessi	manipolazione fine
SmolVLA / modelli foundation	generalizzazione zero/few-shot	multi-task

6. Valutazione

# Riprodurre il dataset (verificare la qualità)
lerobot-dataset-viz --repo-id juxi/pick_cube
# Valutare la policy
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

Metrica	Descrizione
Tasso di successo	proporzione di task completati
Fluidità della traiettoria	se il movimento vibra
Generalizzazione	successo anche con altri oggetti/posizioni

7. Domande frequenti

D: Il training è lento? Quantità di dati, steps e potenza sono proporzionali. Iniziare con 50 episodi / 100k steps, validare il flusso, poi scalare.

D: La policy fa una sola azione? Il training su singolo task richiede un dataset di task; i modelli foundation GR00T/Pi0 possono essere fine-tunati multi-task con pochi dati.

D: I movimenti vibrano dopo il training? Controllare la qualità dei dati (demo stabili), aggiungere un filtro di smoothing, ridurre la frequenza di controllo.

D: Memoria/VRAM insufficiente? Ridurre batch_size, risoluzione immagini; su Jetson usare la versione 16 GB.

---

Link correlati

• Guida alla scelta dei bracci robotici
• Introduzione al deploy AI edge
• Pinza flessibile TPU SO-ARM101
• Kit visione robotica SO-ARM101

Supporto tecnico

• 📧 E-mail: support@juxitech.com
• 🌐 Sito ufficiale: www.juxitech.com