零基础入门Lerobot：在Windows与Linux上搭建ARM100机械臂并实现自定义抓取（从数据集录制到本地训练全攻略）

零基础入门Lerobot：在Windows与Linux上搭建ARM100机械臂并实现自定义抓取（从数据集录制到本地训练全攻略）

欢迎来到本Lerobot教程！无论你是机器人爱好者还是初学者，本文将带你从零开始，学习如何在Windows和Linux系统上搭建LerobotSO-ARM100机械臂，录制私有数据集，避免上传到Hugging Face，并通过微调训练完成自定义抓取任务。本教程详细易懂，适合小白用户。

第一部分：环境搭建（Windows与Linux）

首先，我们需要在Windows或Linux上搭建开发环境。Lerobot是一个开源机器人学习平台，支持多种机械臂。本教程以ARM100机械臂为例。

Windows系统搭建步骤：

1. 安装Python 3.8或更高版本。建议使用Anaconda管理环境。
2. 打开命令提示符，创建虚拟环境：conda create -n lerobot python=3.8
3. 激活环境：conda activate lerobot
4. 安装Lerobot库：pip install lerobot（如果遇到问题，请参考官方文档）。
5. 连接ARM100机械臂到电脑，确保驱动安装正确（通常通过USB）。

Linux系统搭建步骤：

1. 大多数Linux发行版（如Ubuntu）已预装Python。确保版本为3.8以上：python3 --version。
2. 使用pip安装Lerobot：pip install lerobot（建议使用虚拟环境）。
3. 机械臂连接后，可能需要配置USB权限：sudo chmod 666 /dev/ttyUSB0（具体设备名可能不同）。

环境搭建完成后，验证安装：运行python -c "import lerobot; print(lerobot.version)"。如果无报错，则进入下一步。

第二部分：录制私有数据集

录制私有数据集是训练自定义模型的关键。我们将使用Lerobot提供的工具在本地录制机械臂运动数据，无需联网。

1. 启动数据录制脚本：python -m lerobot.record --robot arm100 --output-dir ./my_custom_data。
2. 按照提示操作机械臂：通过GUI或命令行控制，录制抓取动作（如移动、夹取物体）。建议录制至少100个轨迹，涵盖不同物体和位置。
3. 数据将保存到本地目录（例如./my_custom_data），包含图像、动作和状态文件。确保数据多样性以提高模型泛化能力。

注意：本教程强调数据隐私，所有数据仅存储在本地，避免上传到任何云平台。

第三部分：不上传数据集到Hugging Face（本地处理）

为了保护隐私，我们不将数据集上传到Hugging Face。Lerobot支持完全本地处理。

1. 在本地创建数据集配置文件（如dataset_config.yaml），指定数据路径：

   dataset:  name: arm100_custom  path: ./my_custom_data

2. 使用Lerobot数据加载器读取本地数据：在Python脚本中，调用lerobot.load_dataset("arm100_custom", local_path="./my_custom_data")。
3. 确保训练脚本指向本地数据集目录，避免任何网络请求。这符合隐私和安全要求，尤其适用于敏感场景。

第四部分：微调训练模型

基于私有数据集，我们可以进行微调训练。Lerobot提供了预训练模型（如ACT模型），我们可在本地微调以适应自定义任务。

1. 选择预训练模型：下载Lerobot的ACT预训练权重（可从官方GitHub获取），保存到本地如./pretrained/act.pt。
2. 配置训练参数：创建train_config.yaml文件，设置学习率（例如0.0001）、批次大小（如8）、训练轮次（如100）等。
3. 运行训练命令：python -m lerobot.train --config train_config.yaml --dataset arm100_custom --checkpoint-dir ./checkpoints。训练过程在本地进行，无需联网。
4. 监控训练日志：损失下降表示模型在学习。训练完成后，检查点保存在./checkpoints目录。

注意：训练时间取决于数据集大小和硬件。建议使用GPU（NVIDIA CUDA）加速，可通过--device cuda参数启用。

第五部分：完成自定义抓取任务

训练完成后，使用微调模型控制ARM100机械臂执行自定义抓取任务。

1. 加载训练好的模型：在Python脚本中，model = lerobot.load_model("./checkpoints/best_model.pt")。
2. 编写控制脚本：读取相机输入（或模拟环境），将模型预测的动作发送到机械臂。示例代码：

   import lerobotmodel.eval()action = model.predict(observation)  # observation为当前状态robot.execute(action)  # 控制机械臂执行

3. 测试抓取任务：放置物体在随机位置，运行脚本观察抓取效果。如果失败，可调整数据集或训练参数重新微调。

通过本Lerobot教程，你已掌握从搭建ARM100机械臂到训练自定义模型的完整流程。关键点包括录制私有数据集和本地微调训练，确保数据隐私。

总结：本教程详细介绍了在Windows和Linux上使用Lerobot平台的全过程，从环境搭建、数据集录制、本地处理、微调训练到任务执行。所有步骤均在本地完成，保护数据隐私。希望你能成功实现自定义抓取任务！如有问题，可参考Lerobot官方文档或社区资源。