告别万元硬件与复杂算法：Hugging Face LeRobot 带你零门槛闯入具身智能

今天为大家带来一个具身智能学习实用工具Hugging Face LeRobot，即便你之前从未接触过机器人代码，这篇文章也能帮你理清头绪，开启你的“具身智能”进化之路。

资源入口

代码仓库：

https://github.com/huggingface/lerobot

官方文档：

https://huggingface.co/docs/lerobot/index

入门课程：

https://huggingface.co/learn/robotics-course/unit0/1

在线可视化：

https://huggingface.co/spaces/lerobot/visualize_dataset

LeRobot 快速入门指南：

https://youtu.be/kyvwxYqBCBE?si=5PkVNj-4bCIfsdI7

Part.01

认识 LeRobot

它是什么？

LeRobot 是由全球顶级开源 AI 社区 Hugging Face 推出的机器人深度学习库。

如果说 transformers 库统一了自然语言处理（NLP），那么 LeRobot 的目标就是统一具身智能（Embodied AI）的数据、模型与硬件生态。

它为什么适合新手小白？

传统机器人开发绕不开 ROS（机器人操作系统），新手需要学习复杂的通信机制、坐标变换和 C++ 环境配置，还没见到 AI 的影子就被配环境折磨疯了。

LeRobot把复杂的硬件控制封装成了简单的 Python 代码，如果你会用 Hugging Face 的 transformers 加载模型，你就几乎能无缝上手 LeRobot，它让“写代码控制机器人”变得像“写代码调包”一样简单。

AI 需要大量数据，但新手去哪儿找机器人的动作数据？自己录制的数据格式对不对？模型能不能读懂？

它定义了统一的 LeRobotDataset 格式，你可以直接从 Hugging Face Hub 上“一键白嫖”全球开发者分享的成熟数据集。即便你手里还没有机器人，也能用别人的数据先在电脑里把模型跑通。

它的核心优势

支持仅需约 100 美元即可组装的 SO-100 机械臂，并且集成了 ACT、Diffusion Policy 等主流算法，只需几行代码即可调用。

而且它还直接与 Hugging Face Hub 联动，你可以像下载模型一样下载别人的机器人训练数据。

为什么推荐它？

LeRobot 之所以成为首选，源于其获得 AI 领域最具影响力的 Hugging Face 官方背书，代码与架构均体现工业级标准，堪称具身智能领域的“黄金入场券”。它能有效降低门槛，无论是 AI 算法工程师、机器人专业学生，还是硬件极客与爱好者，均可基于其稳定可靠的底层支持快速上手。

选择 LeRobot，意味着站在巨人肩上，以全球开发者认可的主流方式，跳过重复“造轮子”，直抵具身智能的核心研发前线。

Part.02

小白使用指南

第一步：环境搭建 (The Foundation)

你不需要立刻买硬件。首先在电脑上（建议 Linux 或 macOS，配备 NVIDIA GPU 最佳）安装基础环境：

git clone https://github.com/huggingface/lerobot.gitcd lerobotpip install -e .

第二步：探索数据集 (The Data)

去 Hugging Face Hub 逛逛。那里有成千上万个录制好的机器人动作数据集。你可以通过可视化工具查看机器人是如何“看”世界并“动”手指的。

第三步：理解“模仿学习” (The Logic)

具身智能目前的主流逻辑是：

观察 (Camera Feed) + 状态 (Robot State)  模型 (LeRobot Policy)  动作 (Action)

只需要理解：你通过演示教机器人做一遍，它就能学会这种模式。

Part.03

首个实战项目

对于第一次尝试，我强烈建议先在仿真环境中完成 Push-T 任务。这个项目无需购买任何硬件，成功率 100%。

项目目标

训练一个 AI 模型，控制一个虚拟的圆柱体将“T”形方块推到指定区域。

第一步：下载演示数据集

从云端获取专家录制的 200 段推方块视频数据。

python lerobot/scripts/download_dataset.py --repo-id lerobot/pusht

第二步：开启模型训练

使用内置的 Diffusion Policy（扩散策略）进行训练。

python lerobot/scripts/train.py \  policy=diffusion \  env=pusht \  dataset_repo_id=lerobot/pusht \  device=cuda

注：如果没有 GPU，可以使用 device=cpu，但速度会慢很多。

第三步：可视化评估

训练完成后，运行评估脚本。你会看到一个窗口弹出，AI 正在自主控制圆柱体精准地移动方块。

python lerobot/scripts/eval_policy.py --policy-path outputs/train/pusht/checkpoints/latest

第四步：上传你的成果（可选）

你可以将训练好的模型一键上传到 Hugging Face，分享给全球开发者。

Part.04

亲手开启你的“机器进化”之旅

如果你完成了上面的仿真项目，下一步不妨尝试 Mobile ALOHA / LeRobot 手机遥控视觉项目 (Phone-as-Robot)。

这个项目不需要 3D 打印，不需要买几十个舵机。你只需要一个手机支架或者直接把手机粘在任何能动的东西上（甚至是你自己的手臂上）。

利用 LeRobot 提供的移动端适配，即可在手机上直接采集数据并观察模型的推理结果。