LeRobot 使用方式与典型场景

四、使用方式与典型场景

下面按"标定 → 遥操作验证 → 采集 → 训练 → 评估"的顺序给出可直接改参数运行的命令。

示例一，标定与遥操作验证。标定只需要做一次，之后所有环节复用同一个标定文件。先标定从臂，再标定主臂：

# 标定从臂
lerobot-calibrate \
  --robot.type=so101_follower \
  --robot.port=/dev/ttyACM0 \
  --robot.id=follower_arm_01

# 标定主臂
lerobot-calibrate \
  --teleop.type=so101_leader \
  --teleop.port=/dev/ttyACM1 \
  --teleop.id=leader_arm_01

# 遥操作验证：人拖主臂，从臂跟随
lerobot-teleoperate \
  --robot.type=so101_follower \
  --robot.port=/dev/ttyACM0 \
  --robot.id=follower_arm_01 \
  --teleop.type=so101_leader \
  --teleop.port=/dev/ttyACM1 \
  --teleop.id=leader_arm_01

示例二，采集数据集。采集前先清空桌面、固定相机位置，因为相机一旦移动，之前采的数据就作废了。建议同一个任务至少采集几十条成功演示，数量太少时策略学不到稳定行为：

lerobot-record \
  --robot.type=so101_follower \
  --robot.port=/dev/ttyACM0 \
  --robot.id=follower_arm_01 \
  --teleop.type=so101_leader \
  --teleop.port=/dev/ttyACM1 \
  --teleop.id=leader_arm_01 \
  --dataset.repo_id=your_name/pick_place_v1 \
  --dataset.num_episodes=50 \
  --dataset.single_task="pick up the red block and place it in the box" \
  --dataset.fps=30 \
  --dataset.push_to_hub=false \
  --display_data=true

采集完之后先回放一条，肉眼确认动作复现无误，再进入训练。回放是最便宜的数据质检手段：

lerobot-replay \
  --robot.type=so101_follower \
  --robot.port=/dev/ttyACM0 \
  --robot.id=follower_arm_01 \
  --dataset.repo_id=your_name/pick_place_v1 \
  --dataset.episode=0

示例三，训练 ACT 策略。训练前先把数据集完整下载到本地，避免训练过程中反复访问网络：

lerobot-train \
  --dataset.repo_id=your_name/pick_place_v1 \
  --policy.type=act \
  --output_dir=outputs/train/act_pick_place \
  --job_name=act_pick_place \
  --policy.device=cuda \
  --batch_size=8 \
  --steps=100000 \
  --save_freq=10000 \
  --wandb.enable=false

示例四，在仿真环境里先跑通全流程。用公开数据集做一次端到端验证，是排查环境问题最省时间的做法，因为公开数据集排除了硬件与采集质量的干扰：

lerobot-train \
  --dataset.repo_id=lerobot/pusht \
  --policy.type=act \
  --output_dir=outputs/train/act_pusht \
  --job_name=act_pusht \
  --policy.device=cuda \
  --batch_size=64

适用与不适用场景对照。