LeRobot機械臂教程

淘寶店鋪

本教程已更新至12月15日，可選擇跟隨最新版官方文檔進行操作，官方文檔具體教程可以參考本鏈接。若需要URDF等文件請參考本鏈接。9月15日舊版本請參考該鏈接。SO-ARM101與SO-ARM100運行代碼相互兼容。

A. 教程說明

Pro版黑色主動臂使用5V6A電源適配器，白色從動臂使用12V5A電源適配器！

舵機安裝和舵機角度校準要提前做好，可參考官方組裝教程，本教程不涉及這些內容！

組裝教程可參考 Lerobot机械臂组装教程

若未配置好舵機或未組裝機械臂，請先按照這個README中的內容操作。它包含了材料清單，以及獲取零件的鏈接，還包括3D打印零件的說明，以及如果您是第一次打印或者沒有3D打印機時的建議。

讓我們先從安裝 LeRobot 環境開始。

B. 環境準備

For Ubuntu X86:

Ubuntu 22.04
CUDA 12+
Python 3.10
Torch 2.6+

For Jetson Orin:

Jetson Jetpack 6.0+
Python 3.10
Torch 2.5.0a0+872d972e41

RealSense深度攝像頭D400系列安裝構建指南

RealSense深度攝像頭D400系列數據手冊

安裝 LeRobot 環境

1. 安裝 Miniconda環境:

需要根據你的 CUDA 版本安裝 pytorch 和 torchvision 等環境。

對於 Jetson：

Bash

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-aarch64.sh
chmod +x Miniconda3-latest-Linux-aarch64.sh
bash ~/Miniconda3-latest-Linux-aarch64.sh
source ~/.bashrc

或者，對於 X86 Ubuntu 22.04：

Bash

mkdir -p ~/miniconda3
cd miniconda3
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda3/miniconda.sh
bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3
rm ~/miniconda3/miniconda.sh
source ~/miniconda3/bin/activate
conda init --all

2. 在想要部署的目錄（創建例如：lerobot）下爲 lerobot 創建並激活一個新的 conda 環境：

請不要在 ~/miniconda3目錄下創建或者導入lerobot項目

PowerShell

conda create -y -n lerobot python=3.10

3. 然後激活您的 `conda` 環境（每次打開終端使用 lerobot 時都需要執行此操作！）：

PowerShell

conda activate lerobot

4. 克隆 LeRobot：

PowerShell

git clone https://github.com/Juxi-Technology/lerobot.git

可選擇跟隨最新版： https://github.com/huggingface/lerobot.git

注：最新版本的命令代碼可能不一致！

5. 在您的環境中安裝 ffmpeg：

使用 miniconda 時，在您的環境中安裝 ffmpeg：

PowerShell

conda install ffmpeg -c conda-forge

這通常會爲你的平臺安裝使用 libsvtav1 編碼器編譯的 ffmpeg 7.X。如果不支持 libsvtav1（可以通過 ffmpeg -encoders 查看支持的編碼器），你可以：

【適用於所有平臺】顯式安裝 ffmpeg 7.X：

conda install ffmpeg=7.1.1 -c conda-forge

無圖形依賴（gdk-pixbuf、librsvg）用此命令安裝：

conda install ffmpeg=7.1.1 -c conda-forge --no-deps

【僅限 Linux】安裝 ffmpeg 的構建依賴並從源碼編譯支持 libsvtav1 的 ffmpeg，並確保使用的 ffmpeg 可執行文件是正確的，可以通過 which ffmpeg 確認。

如果你遇到以下報錯，也可以使用上述命令解決。

5. 在您的環境中安裝 ffmpeg： – 1

6. 進入lerobot目錄下，安裝帶有 feetech 電機依賴的 LeRobot：

PowerShell

cd ~/lerobot && pip install -e ".[feetech]"

對於 Jetson Jetpack 6.0+ 設備（請確保在執行此步驟前按照此鏈接教程第 5 步安裝了 Pytorch-gpu 和 Torchvision）：

Plain

conda install -y -c conda-forge "opencv>=4.10.0.84"  # 通过 conda 安装 OpenCV 和其他依赖，仅适用于 Jetson Jetpack 6.0+
conda remove opencv   # 卸载 OpenCV
pip3 install opencv-python==4.10.0.84  # 使用 pip3 安装指定版本 OpenCV
conda install -y -c conda-forge ffmpeg
conda uninstall numpy
pip3 install numpy==1.26.0  # 该版本需与 torchvision 兼容

7. 檢查 Pytorch 和 Torchvision

由於通過 pip 安裝 lerobot 環境時會卸載原有的 Pytorch 和 Torchvision 並安裝 CPU 版本，因此需要在 Python 中進行檢查。

Plain

import torch
print(torch.cuda.is_available())

如果輸出結果爲 False，需要根據官網教程重新安裝 Pytorch 和 Torchvision。

如果你使用的是 Jetson 設備，請根據此教程安裝 Pytorch 和 Torchvision。

Jetson Orin上Pytorch不兼容

8. intelRealSense深度相機SDK依賴環境安裝（若有intelRealSense深度相機）

若需使用RealSense深度攝像頭，在lerobot/src/lerobot/下安裝pyrealsense2：

Plain

pip install pyrealsense2

C. 機械臂控制

端口授權

連接好電源線，黑色主動臂使用5V6A電源適配器，白色從動臂使用12V5A電源適配器，舵機驅動板通過數據線連接到主機端

首先進入到lerobot/src/lerobot/目錄下

Plain

cd ~/lerobot/src/lerobot/

然後激活您的 conda 環境（每次打開終端使用 lerobot 時都需要執行此操作！）：

Plain

conda activate lerobot

1. 運行腳本以查找端口

查找機械臂對應的 USB 端口爲了找到每個機械臂正確的端口，請運行實用腳本兩次：：

Plain

lerobot-find-port

2. 示例輸出

識別Leader機械臂端口時的示例輸出（例如，Mac 上爲 /dev/tty.usbmodem575E0031751，或 Linux 上可能爲 /dev/ttyACM0）：

PowerShell

Finding all available ports for the MotorBus.
['/dev/ttyACM0', '/dev/ttyACM1']
Remove the usb cable from your MotorsBus and press Enter when done.

[...Disconnect corresponding leader or follower arm and press Enter...]

The port of this MotorsBus is /dev/ttyACM1
Reconnect the USB cable.

識別Follower機械臂端口時的示例輸出（例如，/dev/tty.usbmodem575E0032081，或在 Linux 上可能爲 /dev/ttyACM1）：

PowerShell

Finding all available ports for the MotorBus.
['/dev/ttyACM0', '/dev/ttyACM1']
Remove the usb cable from your MotorsBus and press Enter when done.

[...Disconnect corresponding leader or follower arm and press Enter...]

The port of this MotorsBus is /dev/ttyACM0
Reconnect the USB cable.

請記住要拔出 USB 接頭，否則將無法檢測到接口。

3. 疑難解答

在 Linux 上，您需要通過運行以下命令來授予對 USB 端口的訪問權限：

PowerShell

sudo chmod 666 /dev/ttyACM0

Plain

sudo chmod 666 /dev/ttyACM1

校準機械臂

接下來，你需要對你的 SO-10x 機器人接上電源和數據線進行校準，以確保在相同的物理位置時，Leader機械臂和 Follower機械臂的位置信息一致。這個校準過程至關重要，因爲它可以讓在一個 SO-10x 機器人上訓練的神經網絡在另一個機器人上也能正常工作。如果需要重新校準機械臂，請完全刪除~/.cache/huggingface/lerobot/calibration/robots或者~/.cache/huggingface/lerobot/calibration/teleoperators下的文件並重新校準機械臂，否者會出現報錯提示，校準的機械臂信息會存儲該目錄下的json文件中。

1. Follower機械臂的手動校準

請通過 3 針接口連接 6 個機器人舵機的接口，並將底盤舵機連接到舵機驅動板，然後運行以下命令或 API 示例來校準機械臂：

以PC(linux)和jetson板卡爲例，第一個插入usb接口會映射爲ttyACM0，第二個插入usb接口會映射爲ttyACM1。

在運行代碼前請注意leader和follower的映射接口。

2. 接口授權

首先，您需要授予接口權限，運行以下命令：

Bash

sudo chmod 666 /dev/ttyACM*

3. 然後校準Follower機械臂

接下來，通過運行以下 Python 命令來校準從動臂：

Python

lerobot-calibrate \
    --robot.type=so101_follower \
    --robot.port=/dev/ttyACM0 \
    --robot.id=my_awesome_follower_arm

首先，您需要將機器人移動到所有關節都位於其可活動範圍中間的位置並保持機械臂不動。然後，按下回車鍵後，您必須將每個關節在其完整的運動範圍內移動，校準文件會記錄下可活動範圍的中位、最大值和最小值,並保存在~/.cache/huggingface/lerobot/calibration/robots或者~/.cache/huggingface/lerobot/calibration/teleoperators 目錄下json文件中。

3. 然後校準Follower機械臂 – 1

3. 然後校準Follower機械臂 – 2

4. 校準Leader機械臂

對主機械臂進行校準的步驟與上述相同，請運行以下命令或 API 示例：

Python

lerobot-calibrate \
    --teleop.type=so101_leader \
    --teleop.port=/dev/ttyACM1 \
    --teleop.id=my_awesome_leader_arm

[机械臂中位校准视频.mp4]

遙感操作

1. 簡單遙感操作**

然後，您就可以準備遙操作您的機器人了！運行這個簡單的腳本（它不會連接和顯示攝像頭）：

請注意，與機器人關聯的 **ID 用於存儲校準文件。在使用相同設置進行遙控操作、錄製和評估時，使用相同的 ** 至關重要。

先對串口給予權限：

Bash

sudo chmod 666 /dev/ttyACM*

運行遙操作：

Python

lerobot-teleoperate \
    --robot.type=so101_follower \
    --robot.port=/dev/ttyACM0 \
    --robot.id=my_awesome_follower_arm \
    --teleop.type=so101_leader \
    --teleop.port=/dev/ttyACM1 \
    --teleop.id=my_awesome_leader_arm

遙控操作命令將自動執行以下步驟：

識別任何缺失的校準文件並啓動校準程序。
連接機器人和遙控設備，並開始遙控操作。

2. 帶攝像頭顯示的遠程操作

爲了實例化攝像頭，您需要一個攝像頭標識符。這個標識符可能會在您重啓電腦或重新插拔攝像頭時發生變化，這主要取決於您的操作系統。

要查找連接到您系統的攝像頭的攝像頭索引，請運行以下腳本：

Python


lerobot-find-cameras realsense # or realsense for Intel Realsense cameras

終端會打印相關攝像頭信息。

2. 帶攝像頭顯示的遠程操作 – 1

您可以在 ~/lerobot/outputs/captured_images 目錄中找到每臺攝像頭拍攝的圖片。

在 macOS 中使用 Intel RealSense 攝像頭時，您可能會遇到 “Error finding RealSense cameras: failed to set power state” 的錯誤。這可以通過使用 sudo 權限運行相同的命令來解決。請注意，在 macOS 中使用 RealSense 攝像頭是不穩定的。

之後，您就可以在遙控操作時在電腦上顯示攝像頭畫面了，只需運行以下代碼即可。這對於在錄製第一個數據集之前準備您的設置非常有用。

Python

lerobot-teleoperate \
    --robot.type=so101_follower \
    --robot.port=/dev/ttyACM0 \
    --robot.id=my_awesome_follower_arm \
    --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30, fourcc: "MJPG"}}" \
    --teleop.type=so101_leader \
    --teleop.port=/dev/ttyACM1 \
    --teleop.id=my_awesome_leader_arm \
    --display_data=true

fourcc: "MJPG"格式圖像是經過壓縮後的圖像，你可以嘗試更高分辨率，當然你可以嘗試YUYV格式圖像，但是這會導致圖像的分辨率和FPS降低導致機械臂運行卡頓。目前MJPG格式下可支持3個攝像頭1920*1080分辨率並且保持30FPS, 但是依然不推薦2個攝像頭通過同一個USB HUB接入主機

如果您有更多攝像頭，可以通過更改 --robot.cameras 參數來添加。您應該注意index_or_path 的格式，它由 python -m lerobot.find_cameras opencv 命令輸出的攝像頭 ID 的最後一位數字決定。

例如，如果你想添加攝像頭:

Python

lerobot-teleoperate \
    --robot.type=so101_follower \
    --robot.port=/dev/ttyACM0 \
    --robot.id=my_awesome_follower_arm \
    --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30, fourcc: "MJPG"}, side: {type: opencv, index_or_path: 2, width: 640, height: 480, fps: 30, fourcc: "MJPG"}}" \
    --teleop.type=so101_leader \
    --teleop.port=/dev/ttyACM1 \
    --teleop.id=my_awesome_leader_arm \
    --display_data=true

如果你想添加RealSense深度相機，先運行python -m lerobot.find_cameras realsense 獲取Id，並將此命令中robot.cameras參數的serial_number_or_name: "323622271780" 替換爲自己的深度相機Id，use_depth: true 啓用深度流：

2. 帶攝像頭顯示的遠程操作 – 2

Python

lerobot-teleoperate \
    --robot.type=so101_follower \
    --robot.port=/dev/ttyACM0 \
    --robot.id=my_awesome_follower_arm \
    --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30, fourcc: "MJPG"}, side: {type: intelrealsense, serial_number_or_name: "323622271780", width: 1280, height: 720, fps: 30, use_depth: true}}" \
    --teleop.type=so101_leader \
    --teleop.port=/dev/ttyACM1 \
    --teleop.id=my_awesome_leader_arm \
    --display_data=true

D. 數據採集

記錄一個數據集

如果你想數據集保存在本地，可以直接運行：

Python

lerobot-record \
    --robot.type=so101_follower \
    --robot.port=/dev/ttyACM0 \
    --robot.id=my_awesome_follower_arm \
    --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30, fourcc: "MJPG"}, side: {type: opencv, index_or_path: 2, width: 640, height: 480, fps: 30, fourcc: "MJPG"}}" \
    --teleop.type=so101_leader \
    --teleop.port=/dev/ttyACM1 \
    --teleop.id=my_awesome_leader_arm \
    --display_data=true \
    --dataset.repo_id=juxi/test \
    --dataset.num_episodes=5 \
    --dataset.single_task="Put the blue cube on the black box" \
    --dataset.push_to_hub=false \
    --dataset.episode_time_s=30 \
    --dataset.reset_time_s=30

其中dateset.repo_id和dataset.single_task可以自定義修改，push_to_hub=false，最後數據集會保存在主目錄的~/.cache/huggingface/lerobot下會創建上述juxi/test文件夾，若使用RealSense深度相機，可自行修改運行命令

如果您想使用 Hugging Face Hub 的功能來上傳您的數據集，並且您之前尚未這樣做，請確保您已使用具有寫入權限的令牌登錄，該令牌可以從 Hugging Face 設置中生成：

Bash

huggingface-cli login --token ${HUGGINGFACE_TOKEN} --add-to-git-credential

將您的 Hugging Face 倉庫名稱存儲在一個變量中，以運行以下命令：

Bash

HF_USER=$(huggingface-cli whoami | head -n 1)
echo $HF_USER

記錄 5 個回合並將您的數據集上傳到 Hub：

Python

lerobot-record \
    --robot.type=so101_follower \
    --robot.port=/dev/ttyACM0 \
    --robot.id=my_awesome_follower_arm \
    --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30, fourcc: "MJPG"}, side: {type: opencv, index_or_path: 2, width: 640, height: 480, fps: 30, fourcc: "MJPG"}}" \
    --teleop.type=so101_leader \
    --teleop.port=/dev/ttyACM1 \
    --teleop.id=my_awesome_leader_arm \
    --display_data=true \
    --dataset.repo_id=${HF_USER}/record-test \
    --dataset.num_episodes=5 \
    --dataset.single_task="Put the blue cube on the black box" \
    --dataset.push_to_hub=true \
    --dataset.episode_time_s=30 \
    --dataset.reset_time_s=30

你會看到類似如下數據:

Bash

INFO 2024-08-10 15:02:58 ol_robot.py:219 dt:33.34 (30.0hz) dtRlead: 5.06 (197.5hz) dtWfoll: 0.25 (3963.7hz) dtRfoll: 6.22 (160.7hz) dtRlaptop: 32.57 (30.7hz) dtRphone: 33.84 (29.5hz)

參數說明

episode_time_s: 表示每次收集數據的時間。
reset_time_s: 是每次數據收集之間的準備時間。
num_episodes: 表示預期收集多少組數據。
push_to_hub: 決定是否將數據上傳到 HuggingFace Hub。

按鍵	動作
右箭頭 →	提前終止當前劇集/重置；進入下一個。
左箭頭 ←	取消當前劇集；重新錄製。
ESC	立即停止會話，編碼視頻，並上傳數據集。

數據收集技巧

任務建議：在不同位置抓取物體並將其放入箱子中。
規模：記錄 ≥50 個劇集（每個位置 10 個劇集）。
一致性：
- 保持攝像頭固定。
- 保持相同的抓取行爲。
- 確保操作的物體在攝像頭畫面中可見。
逐步推進：
- 先從可靠的抓取開始，然後再增加變化（新位置、抓取技巧、攝像頭調整）。
- 避免複雜性急劇增加，以防止失敗。

💡 經驗法則：僅使用攝像頭畫面作爲指導，只根據屏幕反饋的視頻圖像，來控制機械臂完成任務。

如果你想要深入瞭解這個重要主題，可以查看我們撰寫的關於什麼是好的數據集的博客文章。

在接下來的章節中，你將訓練你的神經網絡。在實現可靠的抓取性能後，你可以在數據收集過程中引入更多變化，例如增加抓取位置、不同的抓取技巧以及改變相機位置。
避免快速添加過多變化，因爲這可能會阻礙您的結果。
"如果你希望將數據保存在本地 (--dataset.push_to_hub=false)，請將 --dataset.repo_id=${HF_USER}/so101_test 替換爲一個自定義的本地文件夾名稱，例如 --dataset.repo_id=juxi/so101_test。數據將存儲在系統主目錄下的 ~/.cache/huggingface/lerobot."
如果你通過 --dataset.push_to_hub=true 將數據集上傳到了 Hugging Face Hub，可以通過在線可視化你的數據集，只需複製粘貼你的 repo id。
在回合記錄過程中任何時候按下右箭頭 → 可提前停止並進入重置狀態。重置過程中同樣，可提前停止並進入下一個回合記錄。
在錄製或重置到早期階段時，隨時按左箭頭 ← 可提前停止當前劇集，並重新錄製。
在錄製過程中隨時按 ESCAPE ESC 可提前結束會話，直接進入視頻編碼和數據集上傳。
可以通過重新運行相同的命令並添加 --resume=true 來恢復錄製。⚠️ 重要提示：在恢復時，需將 --dataset.num_episodes 設置爲要額外記錄的劇集數量（而不是數據集中目標的總劇集數量）。如果要從頭開始錄製，請手動刪除數據集目錄。
在 Linux 上，如果在數據記錄期間左右箭頭鍵和 Esc 鍵沒有效果，請確保您已設置 $DISPLAY 環境變量。參見 pynput 限制。

如果你的鍵盤按下後沒有反應，可能你需要降低你pynput的版本，例如安裝個1.6.8版本的。

pip install pynput==1.6.8

可視化一個數據集（可跳過，可嘗試）

Python

echo ${HF_USER}/so101_test

如果您沒有使用 --dataset.push_to_hub=false ，並上傳了數據，您也可以在本地通過以下命令進行可視化：

Python

lerobot-dataset-viz \
  --repo-id ${HF_USER}/so101_test \

如果您使用了 --dataset.push_to_hub=false ，沒有上傳數據，您也可以通過以下命令在本地進行可視化：

Python

lerobot-dataset-viz \
  --repo-id juxi/test \

這裏，juxi 是數據收集時自定義的 repo_id 名稱。

可視化一個數據集（可跳過，可嘗試） – 1

回放一個片段（可跳過，可嘗試）

現在，嘗試在您的機器人上重播第一個數據集：

Python

lerobot-replay \
    --robot.type=so101_follower \
    --robot.port=/dev/ttyACM0 \
    --robot.id=my_awesome_follower_arm \
    --dataset.repo_id=${HF_USER}/record-test \
    --dataset.episode=0

此時，機器人應該做出與你遙操記錄時一樣的動作。

E. 數據集訓練及評估

ACT

參考官方教程ACT

訓練

要訓練一個控制您機器人策略，使用 python -m lerobot.scripts.train 腳本。需要一些參數。以下是一個示例命令：

Python

lerobot-train \
  --dataset.repo_id=${HF_USER}/so101_test \
  --policy.type=act \
  --output_dir=outputs/train/act_so101_test \
  --job_name=act_so101_test \
  --policy.device=cuda \
  --wandb.enable=false \
  --steps=300000

如果您想在本地數據集上進行訓練，請確保 repo_id 與數據收集時使用的名稱匹配，並添加 --policy.push_to_hub=false。

Python

lerobot-train \
  --dataset.repo_id=juxi/test \
  --policy.type=act \
  --output_dir=outputs/train/act_so101_test \
  --job_name=act_so101_test \
  --policy.device=cuda \
  --wandb.enable=false \
  --policy.push_to_hub=false\
  --steps=300000

命令解釋

數據集指定：我們通過 --dataset.repo_id=${HF_USER}/so101_test 參數提供了數據集。
訓練步數：我們通過 --steps=300000 修改訓練步數，算法默認爲800000，根據自己的任務難易程度，觀察訓練時候的loss來進行調整。
策略類型：我們使用 policy.type=act 提供了策略，同樣你可以更換[act,diffusion,pi0,pi0fast,pi0.5,sac,smolvla]等策略，這將從 configuration_act.py 加載配置。重要的是，這個策略會自動適應您機器人（例如 laptop 和 phone）的電機狀態、電機動作和攝像頭數量，這些信息已保存在您的數據集中。
設備選擇：我們提供了 policy.device=cuda，因爲我們正在 Nvidia GPU 上進行訓練，但您可以使用 policy.device=mps 在 Apple Silicon 上進行訓練。
可視化工具：我們提供了 wandb.enable=true 來使用 Weights and Biases 可視化訓練圖表。這是可選的，但如果您使用它，請確保您已通過運行 wandb login 登錄。

如果你遇到了以下報錯：

ACT – 1

嘗試運行以下命令來解決:

Bash

pip install datasets==2.19

訓練可能需要幾個小時。您將在 outputs/train/act_so101_test/checkpoints 目錄中找到訓練結果權重文件。

要從某個訓練結果權重文件恢復訓練，下面是一個從 act_so101_test 策略的最後一個訓練結果權重文件恢復訓練的示例命令：

Bash

lerobot-train \
  --config_path=outputs/train/act_so101_test/checkpoints/last/pretrained_model/train_config.json \
  --resume=true

評估

您可以使用 lerobot/record.py 中的 record 功能，但需要將策略訓練結果訓練結果權重文件作爲輸入。例如，運行以下命令記錄 10 個評估回合：

Python

lerobot-record \
  --robot.type=so101_follower \
  --robot.port=/dev/ttyACM0 \
  --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30, fourcc: "MJPG"},   side: {type: opencv, index_or_path: 2, width: 640, height: 480, fps: 30,fourcc: "MJPG"}}" \
  --robot.id=my_awesome_follower_arm \
  --teleop.type=so101_leader \
  --teleop.port=/dev/ttyACM1 \
  --teleop.id=my_awesome_leader_arm \
  --display_data=false \
  --dataset.repo_id=juxi/eval_test123 \
  --dataset.single_task="Put the blue cube on the black box" \
  --dataset.episode_time_s=30 \
  --dataset.reset_time_s=30 \
  --dataset.num_episodes=5 \
  --policy.path=outputs/train/act_so101_test/checkpoints/last/pretrained_model
  --dataset.push_to_hub=false

--policy.path 參數，指示您的策略訓練結果權重文件的路徑（例如 outputs/train/act_so101_test/checkpoints/last/pretrained_model）。如果您將模型訓練結果權重文件上傳到 Hub，也可以使用模型倉庫（例如 ${HF_USER}/act_so101_test）。
數據集的名稱dataset.repo_id以 eval_ 開頭，這個操作會在你評估的時候爲你單獨錄製評估時候的視頻和數據，將保存在eval_開頭的文件夾下，例如juxi/eval_test123。
如果評估階段遇到File exists: 'home/xxxx/.cache/huggingface/lerobot/xxxxx/juxi/eval_xxxx'請先刪除eval_開頭的這個文件夾再次運行程序。
當遇到mean is infinity. You should either initialize with stats as an argument or use a pretrained model請注意--robot.cameras這個參數中的front和side等關鍵詞必須和採集數據集的時候保持嚴格一致。

斯莫夫拉

參考官方教程SmolVLA

Bash

pip install -e ".[smolvla]"

訓練

Bash

lerobot-train \
  --policy.path=lerobot/smolvla_base \
  --dataset.repo_id=${HF_USER}/mydataset \
  --batch_size=64 \
  --steps=20000 \
  --output_dir=outputs/train/my_smolvla \
  --job_name=my_smolvla_training \
  --policy.device=cuda \
  --wandb.enable=true

驗證

Bash

lerobot-record \
  --robot.type=so101_follower \
  --robot.port=/dev/ttyACM0 \
  --robot.id=my_awesome_follower_arm \ # <- Use your robot id
  --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30, fourcc: "MJPG"},   side: {type: opencv, index_or_path: 2, width: 640, height: 480, fps: 30,fourcc: "MJPG"}}" \
  --dataset.single_task="Put the blue cube on the black box" \
  --dataset.repo_id=juxi/eval_test123 \ 
  --dataset.episode_time_s=30 \
  --dataset.reset_time_s=30 \
  --dataset.num_episodes=5 \
  # <- Teleop optional if you want to teleoperate in between episodes \
  # --teleop.type=so101_leader \
  # --teleop.port=/dev/ttyACM0 \
  # --teleop.id=my_awesome_leader_arm \
  --policy.path=HF_USER/FINETUNE_MODEL_NAME # <- Use your fine-tuned model

Pi0

參考官方教程Pi0

Bash

pip install -e ".[pi]"

訓練

Bash

lerobot-train \
  --policy.type=pi0 \
  --dataset.repo_id=juxi/eval_test123 \
  --job_name=pi0_training \
  --output_dir=outputs/pi0_training \
  --policy.pretrained_path=lerobot/pi0_base \
  --policy.compile_model=true \
  --policy.gradient_checkpointing=true \
  --policy.dtype=bfloat16 \
  --steps=20000 \
  --policy.device=cuda \
  --batch_size=32 \
  --wandb.enable=false

驗證

Bash

lerobot-record \
  --robot.type=so101_follower \
  --robot.port=/dev/ttyACM0 \
  --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30, fourcc: "MJPG"},   side: {type: opencv, index_or_path: 2, width: 640, height: 480, fps: 30,fourcc: "MJPG"}}" \
  --robot.id=my_awesome_follower_arm \
  --display_data=false \
  --dataset.repo_id=juxi/eval_test123 \
  --dataset.single_task="Put the blue cube on the black box" \
  --policy.path=outputs/pi0_training/checkpoints/last/pretrained_model

Pi0.5

參考官方教程Pi0.5

Bash

pip install -e ".[pi]"

訓練

Bash

lerobot-train \
    --dataset.repo_id=juxi/eval_test123 \
    --policy.type=pi05 \
    --output_dir=outputs/pi05_training \
    --job_name=pi05_training \
    --policy.pretrained_path=lerobot/pi05_base \
    --policy.compile_model=true \
    --policy.gradient_checkpointing=true \
    --wandb.enable=false \
    --policy.dtype=bfloat16 \
    --steps=3000 \
    --policy.device=cuda \
    --batch_size=32

驗證

Bash

lerobot-record \
  --robot.type=so101_follower \
  --robot.port=/dev/ttyACM0 \
  --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30, fourcc: "MJPG"},   side: {type: opencv, index_or_path: 2, width: 640, height: 480, fps: 30,fourcc: "MJPG"}}" \
  --robot.id=my_awesome_follower_arm \
  --display_data=false \
  --dataset.repo_id=juxi/eval_test123 \
  --dataset.single_task="Put the blue cube on the black box" \
  --policy.path=outputs/pi05_training/checkpoints/last/pretrained_model

GR00T N1.5

請參考官方教程GR00T N1.5

F.雲服務器訓練部署及模型導出

以 AutoDL算力雲爲例， www.autodl.com ，註冊登錄充值餘額

1.點擊“算力市場”，選擇需要的顯卡，儘量選多核心

1.點擊“算力市場”，選擇需要的顯卡，儘量選多核心 – 1

2.選擇“按量計費”，基礎鏡像選擇“Miniconda/conda3/3.8(ubuntu20.04)/11.8”，點擊“立即創建”

2.選擇“按量計費”，基礎鏡像選擇“Miniconda/conda3/3.8ubuntu20.04/11.8”，點擊“立即創建” – 1

3.點擊“JupyterLab”進入控制界面，打開終端

3.點擊“JupyterLab”進入控制界面，打開終端 – 1

4.初始化conda環境

Plain

conda env list

Plain

conda activate base

Plain

conda init

4.初始化conda環境 – 1

5.關閉此終端，打開新的終端

參考 https://www.autodl.com/docs/network_turbo/

Plain

source /etc/network_turbo

5.關閉此終端，打開新的終端 – 1

6.創建lerobot環境

PowerShell

conda create -y -n lerobot python=3.10

PowerShell

conda activate lerobot

PowerShell

git clone https://github.com/Juxi-Technology/lerobot.git

可選擇跟隨最新版： https://github.com/huggingface/lerobot.git

注：最新版本的命令代碼可能不一致！

PowerShell

conda install ffmpeg -c conda-forge

7.進入src目錄下的lerobot，安裝帶有 feetech 電機依賴的 LeRobot：

PowerShell

cd ~/lerobot && pip install -e ".[feetech]"

8.數據集導入到雲服務器裏

分爲兩種情況，一種是數據採集時已上傳數據集到huggingface數據庫裏，一種是

①若數據採集時已上傳數據集到huggingface數據庫裏，可通過配置huggingface數據庫得到的key獲取

8.數據集導入到雲服務器裏 – 1

Plain

huggingface-cli login --token ${HUGGINGFACE_TOKEN} --add-to-git-credential

Plain

HF_USER=$(huggingface-cli whoami | head -n 1)

Plain

echo $HF_USER

8.數據集導入到雲服務器裏 – 2

Plain

export HYDRA_FULL_ERROR=1

②通過FileZilla上傳本地數據集，參考 https://www.autodl.com/docs/filezilla/

Linux最簡單的安裝方式：

Python

sudo apt install filezilla

Python

filezilla

打開filezilla，點擊“文件”選擇“站點管理器”，創建“新站點”，選擇“SFTP協議”

8.數據集導入到雲服務器裏 – 3

8.數據集導入到雲服務器裏 – 4

返回AutoDL算力雲複製“登錄指令”並粘貼到方便查看的地方，將對應信息複製粘貼進去，點擊“連接”

8.數據集導入到雲服務器裏 – 5

8.數據集導入到雲服務器裏 – 6

8.數據集導入到雲服務器裏 – 7

8.數據集導入到雲服務器裏 – 8

8.數據集導入到雲服務器裏 – 9

在雲服務器的lerobot目錄下創建 data 文件夾

8.數據集導入到雲服務器裏 – 10

將數據集文件夾拉到右邊進行傳輸，等待傳輸完成

8.數據集導入到雲服務器裏 – 11

9.數據集訓練

參考本教程的 E.數據集訓練及評估，在雲服務器中運行訓練命令

10.模型文件導出

訓練完成後，將對應train目錄下的訓練模型導出

10.模型文件導出 – 1

G. 常見問題

如果使用本文檔教程，請git clone本文檔推薦的github倉庫 https://github.com/Juxi-Technology/lerobot.git

本文檔推薦的倉庫是驗證過後的穩定版本，Lerobot官方倉庫是實時更新的最新版本，會出現一些無法預知的問題，例如數據集版本不同，指令不同等。

若使用RealSense深度相機，可自行參考並修改運行命令
在Jetson設備中，運行評估命令後未設置回合數和回合時間只能通過ctrl+z中斷進程會導致機械臂和相機斷連，重連後所有端口都改變

在命令中加入評估的回合數和回合時長的參數

如：

Python

lerobot-record \
  --robot.type=so101_follower \
  --robot.port=/dev/ttyACM0 \
  --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30, fourcc: "MJPG"},   side: {type: opencv, index_or_path: 2, width: 640, height: 480, fps: 30,fourcc: "MJPG"}}" \
  --robot.id=my_awesome_follower_arm \
  --teleop.type=so101_leader \
  --teleop.port=/dev/ttyACM1 \
  --teleop.id=my_awesome_leader_arm \
  --display_data=false \
  --dataset.repo_id=juxi/eval_test123 \
  --dataset.single_task="Put the blue cube on the black box" \
  --dataset.episode_time_s=30 \
  --dataset.reset_time_s=30 \
  --dataset.num_episodes=5 \
  --policy.path=outputs/train/act_so101_test/checkpoints/last/pretrained_model
  --dataset.push_to_hub=false

如果校準舵機ID時候遇到

Bash

`Motor ‘gripper’ was not found, Make sure it is connected`

請仔細檢查通訊線是否與舵機連接正常，電源是否正確電壓供電。”

如果遇到

Bash

Could not connect on port "/dev/ttyACM0"

並且通過ls /dev/ttyACM*看到是有ACM0存在的，則是忘記給串口權限了，終端輸入sudo chmod 666 /dev/ttyACM* 即可`

如果遇到

Bash

No valid stream found in input file. Is -1 of the desired media type?

請安裝ffmpeg7.1.1，conda install ffmpeg=7.1.1 -c conda-forge。

G. 常見問題 – 1

如果遇到

Bash

ConnectionError: Failed to sync read 'Present_Position' on ids=[1,2,3,4,5,6] after 1 tries. [TxRxResult] There is no status packet!

需要檢查對應端口號的機械臂是否接通電源，總線舵機是否出現數據線鬆動或者脫落,哪個舵機燈不亮就是前面那個舵機的線鬆了。

如果校準機械臂的時候遇到

Bash

Magnitude 30841 exceeds 2047 (max for sign_bit_index=11)

對機械臂進行重新斷電和上電，再次嘗試校準機械臂加準，如果在校準過程中遇到MAX角度達到上萬的值也可以使用這個方法，如果不行則需要對相應舵機進行重新舵機校準，即中位校準和ID寫入。

如果評估階段遇到

Bash

File exists: 'home/xxxx/.cache/huggingface/lerobot/xxxxx/juxi/eval_xxxx'

請先刪除eval_開頭的這個文件夾再次運行程序。

如果評估階段遇到

Bash

`mean` is infinity. You should either initialize with `stats` as an argument or use a pretrained model

請注意--robot.cameras這個參數中的front和side等關鍵詞必須和採集數據集的時候保持嚴格一致。

如果你維修或者更換過機械臂零件，請完全刪除~/.cache/huggingface/lerobot/calibration/robots或者~/.cache/huggingface/lerobot/calibration/teleoperators下的文件並重新校準機械臂，否者會出現報錯提示，校準的機械臂信息會存儲該目錄下的json文件中。
在3060的8G筆記本上訓練ACT的50組數據的時間大概爲6小時，在4090和A100的電腦上訓練50組數據時間大概爲2~3小時。
數據採集過程中要確保攝像頭位置和角度和環境光線的穩定，並且減少攝像頭採集到過多的不穩定背景和行人，否則部署的環境變化過大會導致機械臂無法正常抓取。
數據採集命令的num-episodes要確保採集數據足夠，不可中途手動暫停，因爲在數據採集結束後纔會計算數據的均值和方差，這在訓練中是必要的數據。
如果程序提示無法讀取USB攝像頭圖像數據，請確保USB攝像頭不是接在Hub上的，USB攝像頭必須直接接入設備，確保圖像傳輸速率快。

如果你遇到無法解決的軟件問題或環境依賴問題，除了查看本教程末尾的常見問題部分外，請及時在 LeRobot 平臺或 LeRobot Discord 頻道反饋問題。

Windows查找舵機（飛特舵機上位機調試軟件）

爲了進行調試，任何 Windows PC 都可以通過 USB 連接來對舵機進行編程、調試或測試。爲此，請下載Feetech 軟件。對於 Ubuntu 系統，您可以使用FT_SCServo_Debug_Qt 工具。

[fddebug-master.zip]

選擇端口號，波特率選1000000，打開，並點擊“搜索”

Windows查找舵機（飛特舵機上位機調試軟件） – 1

ROS2 仿真控制（可自行實現）

https://github.com/holmsslk/so-arm-moveit-hardware

網頁端設置舵機ID和中位校準

https://bambot.org/feetech.js?lang=zh

1、根據舵機型號輸入0或1，點擊“連接”

網頁端設置舵機ID和中位校準 – 1

2、掃描ID 1~6 的舵機，可以根據掃描結果裏的FOUND確認對應ID舵機。例如圖片裏舵機 ID 1 被掃描到了

網頁端設置舵機ID和中位校準 – 2

3、ID設置和中位校準

①當前舵機ID輸入爲被掃描到的舵機ID

②在“ID管理”中輸入數字，點擊“更改ID”即可設置ID

③中位校準（STS3215舵機中位是2047，SCS0009舵機中位是511）

STS舵機：在“位置控制”輸入2047，並點擊“Set”

SCS舵機：在“位置控制”輸入511，並點擊“Set”

網頁端設置舵機ID和中位校準 – 3

I2C 通信

串口通信

LeRobot機械臂教程 ​

A. 教程說明 ​

B. 環境準備 ​

安裝 LeRobot 環境 ​

1. 安裝 Miniconda環境: ​

2. 在想要部署的 目錄（創建例如：lerobot） 下爲 lerobot 創建並激活一個新的 conda 環境： ​

3. 然後激活您的 conda 環境（每次打開終端使用 lerobot 時都需要執行此操作！）： ​

4. 克隆 LeRobot： ​

5. 在您的環境中安裝 ffmpeg： ​

6. 進入lerobot目錄下，安裝帶有 feetech 電機依賴的 LeRobot： ​

7. 檢查 Pytorch 和 Torchvision ​

8. intelRealSense深度相機SDK依賴環境安裝（若有intelRealSense深度相機） ​

C. 機械臂控制 ​

端口授權 ​

1. 運行腳本以查找端口 ​

2. 示例輸出 ​

3. 疑難解答 ​

校準機械臂 ​

1. Follower機械臂的手動校準 ​

2. 接口授權 ​

3. 然後校準Follower機械臂 ​

4. 校準Leader機械臂 ​

遙感操作 ​

1. 簡單遙感操作** ​

2. 帶攝像頭顯示的遠程操作 ​

D. 數據採集 ​

記錄一個數據集 ​

可視化一個數據集（可跳過，可嘗試） ​

回放一個片段（可跳過，可嘗試） ​

E. 數據集訓練及評估 ​

ACT ​

斯莫夫拉 ​

Pi0 ​

Pi0.5 ​

GR00T N1.5 ​

F.雲服務器訓練部署及模型導出 ​

1.點擊“算力市場”，選擇需要的顯卡，儘量選多核心 ​

2.選擇“按量計費”，基礎鏡像選擇“Miniconda/conda3/3.8(ubuntu20.04)/11.8”，點擊“立即創建” ​

3.點擊“JupyterLab”進入控制界面，打開終端 ​

4.初始化conda環境 ​

5.關閉此終端，打開新的終端 ​

6.創建lerobot環境 ​

7.進入src目錄下的lerobot，安裝帶有 feetech 電機依賴的 LeRobot： ​

8.數據集導入到雲服務器裏 ​

9.數據集訓練 ​

10.模型文件導出 ​

G. 常見問題 ​

Windows查找舵機（飛特舵機上位機調試軟件） ​

ROS2 仿真控制（可自行實現） ​

網頁端設置舵機ID和中位校準 ​

相關產品

LeRobot機械臂教程

A. 教程說明

B. 環境準備

安裝 LeRobot 環境

1. 安裝 Miniconda環境:

2. 在想要部署的目錄（創建例如：lerobot）下爲 lerobot 創建並激活一個新的 conda 環境：

3. 然後激活您的 `conda` 環境（每次打開終端使用 lerobot 時都需要執行此操作！）：

4. 克隆 LeRobot：

5. 在您的環境中安裝 ffmpeg：

6. 進入lerobot目錄下，安裝帶有 feetech 電機依賴的 LeRobot：

7. 檢查 Pytorch 和 Torchvision

8. intelRealSense深度相機SDK依賴環境安裝（若有intelRealSense深度相機）

C. 機械臂控制

端口授權

1. 運行腳本以查找端口

2. 示例輸出

3. 疑難解答

校準機械臂

1. Follower機械臂的手動校準

2. 接口授權

3. 然後校準Follower機械臂

4. 校準Leader機械臂

遙感操作

1. 簡單遙感操作**

2. 帶攝像頭顯示的遠程操作

D. 數據採集

記錄一個數據集

可視化一個數據集（可跳過，可嘗試）

回放一個片段（可跳過，可嘗試）

E. 數據集訓練及評估

ACT

斯莫夫拉

Pi0

Pi0.5

GR00T N1.5

F.雲服務器訓練部署及模型導出

1.點擊“算力市場”，選擇需要的顯卡，儘量選多核心

2.選擇“按量計費”，基礎鏡像選擇“Miniconda/conda3/3.8(ubuntu20.04)/11.8”，點擊“立即創建”

3.點擊“JupyterLab”進入控制界面，打開終端

4.初始化conda環境

5.關閉此終端，打開新的終端

6.創建lerobot環境

7.進入src目錄下的lerobot，安裝帶有 feetech 電機依賴的 LeRobot：

8.數據集導入到雲服務器裏

9.數據集訓練

10.模型文件導出

G. 常見問題

Windows查找舵機（飛特舵機上位機調試軟件）

ROS2 仿真控制（可自行實現）

網頁端設置舵機ID和中位校準