Lerobot与SO-ARM100机械臂实战教程（从零基础搭建到ACT算法自定义抓取全流程）

Lerobot与SO-ARM100机械臂实战教程（从零基础搭建到ACT算法自定义抓取全流程）

摘要： 本教程专为0基础小白设计，详细介绍如何在Windows（WSL2）及Linux系统上部署Hugging Face的Lerobot框架，结合SO-ARM100机械臂进行私有数据集录制、ACT算法模型微调，并最终实现自定义抓取任务，全程无需上传数据至Hugging Face。掌握Lerobot教程、SO-ARM100机械臂、ACT算法微调、机器人私有数据集录制是本文的核心内容。

一、 环境准备：搭建你的AI机器人实验室

无论是在Windows还是Linux上，我们都推荐使用Conda进行环境管理。Windows用户请务必先安装WSL2（Ubuntu 22.04）。

• 安装依赖： 首先确保系统安装了Git和Python 3.10+。
• 克隆仓库： git clone https://github.com/huggingface/lerobot.git
• 创建环境： conda create -n lerobot python=3.10 && conda activate lerobot
• 安装Lerobot： 进入目录后执行 pip install -e .

二、 硬件连接：SO-ARM100机械臂组装与调试

SO-ARM100是一款高性价比的开源机械臂。连接时请注意以下几点：

1. 串口权限： 在Linux中，执行 sudo chmod 666 /dev/ttyUSB0 确保拥有通信权限。
2. 配置文件： 修改Lerobot中的硬件配置文件，指定你的舵机ID和波特率（通常为1000000）。
3. 手动示教： 确保机械臂可以进入掉电模式，方便我们进行机器人私有数据集录制时的手动牵引。

三、 核心环节：录制私有数据集（不上传HF）

很多开发者不希望将自己的工业或家庭场景数据上传，我们可以通过本地存储实现。

执行录制命令时，添加标志位：

python lerobot/scripts/record.py --robot-path lerobot/configs/robot/so_arm100.yaml --fps 30 --repo-id local/my_grasp_task --push-to-hub 0

参数说明：--push-to-hub 0 关键在于此，它会强制数据仅保存在本地 ~/.cache/huggingface/lerobot/ 路径下。

四、 模型训练：ACT算法微调

录制完成后，我们使用ACT（Action Chunking with Transformers）算法进行训练。ACT算法微调能让机械臂学习到复杂的抓取轨迹。

python lerobot/scripts/train.py --dataset local/my_grasp_task --policy-type act --output-dir outputs/train/my_grasp_model

训练过程中，你可以通过Tensorboard实时观察Loss下降情况。建议初学者录制至少50组成功的抓取动作以保证拟合效果。

五、 任务部署：实现自定义抓取

训练完成后，即可加载权重让机械臂自主完成抓取任务：

python lerobot/scripts/control_robot.py --robot-path lerobot/configs/robot/so_arm100.yaml --checkpoint outputs/train/my_grasp_model/checkpoints/last

此时，SO-ARM100机械臂将根据摄像头捕捉到的图像，通过训练好的模型预测动作序列，精准完成抓取目标。

六、 总结与SEO关键词回顾

通过本篇Lerobot教程，我们成功实现了从硬件环境搭建到本地化机器人私有数据集录制，并利用ACT算法微调赋予了SO-ARM100机械臂智能抓取的能力。这种离线训练模式不仅保护了隐私，还极大提升了开发效率。