跳到正文
北京时间
原文
Hugging Face：Blog·· 2025-10-24精选AI 评分62

LeRobot v0.4.0 发布：升级数据集 v3.0 并集成 PI0.5 与 GR00T N1.5

LeRobot v0.4.0: Supercharging OSS Robot Learning

AI 导读

Hugging Face 发布 LeRobot v0.4.0，带来 LeRobotDataset v3.0（分块 episode 格式，支持 OXE 级 >400GB 数据集）、数据集编辑 CLI、LIBERO 与 Meta-World 仿真支持、基于 Accelerate 的多 GPU 训练，以及新插件系统简化第三方硬件接入。

推荐理由

官方发布全文列出 LeRobot v0.4.0 的数据集、VLA 模型、仿真基准与硬件插件等更新，读者可按需挑用对应能力。

正文 · AI 翻译

我们非常激动地宣布 LeRobot 迎来了一系列重大进展，旨在让开源机器人学习比以往更强大、更具可扩展性且更易于使用！从焕然一新的数据集到多功能的编辑工具、新的仿真环境，以及开创性的硬件插件系统，LeRobot 正在持续演进，以满足前沿具身 AI 的需求。

简要概述

LeRobot v0.4.0 为开源机器人领域带来了重大升级，引入了可扩展的 Datasets v3.0、强大的新 VLA 模型如 PI0.5 和 GR00T N1.5，以及更易于硬件集成的新插件系统。此版本还增加了对 LIBERO 和 Meta-World 仿真的支持、简化的多 GPU 训练，以及新的 Hugging Face 机器人学习课程。

目录

数据集：为下一波大规模机器人学习做好准备

我们通过 LeRobotDataset v3.0 彻底改造了数据集基础设施，采用了新的分块回合格式和流式传输能力。这对于处理像 OXE（Open X Embodiment）和 Droid 这样的大规模数据集而言是颠覆性的，带来了无与伦比的效率和可扩展性。

Datasets v3.0 有哪些新内容？

  • 面向大规模规模的分块回合：我们的新格式支持 OXE 级别（> 400GB）的数据集，实现了前所未有的可扩展性。
  • 高效的视频存储 + 流式传输：享受更快的加载时间和无缝的视频数据流式传输。
  • 统一的 Parquet 元数据：告别分散的 JSON 文件！所有回合元数据现在都存储在统一、结构化的 Parquet 文件中，便于管理和访问。
  • 更快的加载与更佳的性能：体验显著缩短的数据集初始化时间和更高效的内存使用。

我们还提供了一个转换脚本，可轻松将您现有的 v2.1 数据集迁移到新的 v3.0 格式，确保平稳过渡。更多详情请阅读我们之前的博客文章。开源机器人技术不断升级！

新功能：数据集编辑工具！

使用 LeRobot 数据集现在变得简单多了！我们引入了一套强大的实用工具，用于灵活地编辑数据集。

借助我们新的 lerobot-edit-dataset CLI，您现在可以：

  • 从现有数据集中删除特定的回合。
  • 按比例或回合索引拆分数据集。
  • 轻松添加或移除特征。
  • 将多个数据集合并为一个统一的集合。
# Merge multiple datasets into a single dataset.
lerobot-edit-dataset \
    --repo_id lerobot/pusht_merged \
    --operation.type merge \
    --operation.repo_ids "['lerobot/pusht_train', 'lerobot/pusht_val']"

# Delete episodes and save to a new dataset (preserves original dataset)
lerobot-edit-dataset \
    --repo_id lerobot/pusht \
    --new_repo_id lerobot/pusht_after_deletion \
    --operation.type delete_episodes \
    --operation.episode_indices "[0, 2, 5]"

这些工具简化了您的工作流程，让您能够以前所未有的方式整理和优化机器人数据集。查看文档了解更多详情！

仿真环境：扩展您的训练场地

我们正在不断扩展 LeRobot 的仿真能力，为您的机器人策略提供更丰富、更多样化的训练环境。

libero-demo

LIBERO 支持

LeRobot 现已正式支持 LIBERO，这是 Vision-Language-Action（VLA）策略最大的开放基准之一，拥有超过 130 个任务！这是朝着构建 VLA 首选评估中心迈出的巨大一步，能够轻松集成并统一评估任何 VLA 策略。

查看 LIBERO 数据集和我们的文档以开始使用！

Meta-World 集成

我们已集成 Meta-World，这是一个用于测试机器人操作中多任务和泛化能力的顶级基准，包含超过 50 个多样化的操作任务。此次集成，加上我们对 gymnasium ≥ 1.0.0 和 mujoco ≥ 3.0.0 的标准化使用，确保了确定性种子和稳健的仿真基础。

立即使用 Meta-World 数据集训练你的策略！

代码库：为所有人提供的强大工具

我们正在让机器人控制更加灵活和易于使用，为数据收集和模型训练开辟新的可能性。

新的数据处理流水线

将数据从机器人传输到模型（再传回来！）并非易事。原始传感器数据、关节位置和语言指令与 AI 模型的期望并不匹配。模型需要在正确设备上的归一化、批处理张量，而你的机器人硬件则需要特定的动作命令。

我们很高兴推出 Processors：一个全新的模块化流水线，充当数据的通用翻译器。可以把它想象成一条装配线，每个 ProcessorStep 负责一项特定工作——比如归一化、文本分词或将数据移动到 GPU。

你可以将这些步骤串联成一个强大的流水线，完美管理你的数据流。我们甚至创建了两种不同的类型来让事情更简单：

  • PolicyProcessorPipeline：为模型构建。它专业地处理批处理张量，以实现高性能训练和推理。
  • RobotProcessorPipeline：为硬件构建。它处理单个数据点（如单个观察或动作），用于实时机器人控制。
# Get environment state
obs = robot.get_observation()

# Rename, Batch, Normalize, Tokenize, Move Device ... 
obs_processed = preprocess(obs)

# Run inference
action = model.select_action(obs_processed)

# Unnormalize, Move Device ...
action_processed = postprocess(action)

# Execute action
robot.send_action(action_processed)

该系统可以轻松地将任何策略连接到任何机器人，确保你的数据在每一步都始终以完美的格式呈现。在我们的Processors 介绍文档中了解更多信息。

多 GPU 训练变得简单

训练大型机器人策略的速度大大提升！我们已将 Accelerate 直接集成到我们的训练流水线中，只需一条命令即可轻松将实验扩展到多个 GPU：

accelerate launch \
  --multi_gpu \
  --num_processes=$NUM_GPUs \
  $(which lerobot-train) \
  --dataset.repo_id=${HF_USER}/my_dataset \
  --policy.repo_id=${HF_USER}/my_trained_policy \
  --policy.type=$POLICY_TYPE \
  # ... More training configuration flags

无论你是在微调策略还是运行大规模实验，LeRobot 现在都会为你处理分布式训练的所有复杂性。这意味着你可以大幅减少训练时间，使用 2 个 GPU 时减半，使用 3 个 GPU 时降至三分之一，甚至更多。

查看文档以加速你的机器人学习！

策略：释放开放世界泛化能力

groot-demo

PI0 和 PI0.5

作为开源机器人领域的一个重要里程碑，我们已将 Physical Intelligence 的 pi0 和 pi0.5 策略集成到 LeRobot 中！这些 Vision-Language-Action（VLA）模型代表着在解决机器人开放世界泛化方面迈出的重要一步。但 π₀.₅ 为何具有革命性？

  • 开放世界泛化：旨在适应全新的环境和情况，在物理、语义和环境层面进行泛化。
  • 异构数据协同训练：从多模态网络数据、语言指令、子任务命令和多环境机器人数据的多样化混合中学习。
  • Physical Intelligence 合作：非常感谢 Physical Intelligence 团队 的开创性工作！

你可以在 Hugging Face Hub 上找到这些模型：pi0.5_base、pi0_base，以及它们经过 Libero 调优的对应版本。更多详情，请查看 Physical Intelligence Reasearch

GR00T N1.5

在另一项令人兴奋的进展中，得益于与 NVIDIA 机器人团队的出色合作，我们已将 NVIDIA 的 GR00T N1.5 集成到 LeRobot 中！这个开放基础模型是通用机器人推理与技能的强大引擎。作为一个跨具身模型，它接收多模态输入（如语言和图像），以在不同环境中执行复杂的操作任务，标志着通用机器人技术的又一次重大飞跃。但是什么让 GR00T N1.5 成为颠覆者？

  • 通用推理与技能：作为一个跨具身基础模型，GR00T N1.5 擅长通用推理和操作任务，并具备更强的语言跟随能力。
  • 大规模异构训练：它从海量数据集中学习，这些数据结合了真实采集的人形机器人数据、由 NVIDIA Isaac GR00T Blueprint 生成的合成数据，以及互联网规模的视频数据。
  • NVIDIA 合作：我们非常高兴能与 NVIDIA 团队 合作，将这一最先进的模型带给开源 LeRobot 社区！

你可以在 Hugging Face Hub 上找到该模型：GR00T-N1.5-3B。更多详情，请查看 NVIDIA 研究页面 和 官方 GitHub 仓库。

这些策略在 lerobot 中的原生集成是向前迈出的一大步，使机器人学习尽可能开放和可复现。今天就试用它们，分享你的运行结果，让我们一起推动具身 AI 的前沿！

机器人：借助插件系统开启硬件集成新时代

硬件爱好者的重大消息！我们推出了全新的插件系统，彻底改变你将第三方硬件与 LeRobot 集成的方式。现在，连接任何机器人、摄像头或遥操作设备都只需一个 pip install，无需修改核心库。

主要优势

  • 可扩展性：在独立的 Python 包中开发和集成自定义硬件。
  • 可伸缩性：支持不断增长的设备生态系统，而不会使核心库变得臃肿。
  • 社区友好：降低了社区贡献的门槛，营造更协作的环境。

在我们的文档中了解如何创建你自己的插件。

pip install lerobot_teleoperator_my_awesome_teleop
lerobot-teleoperate --teleop.type=my_awesome_teleop

Reachy 2 集成

得益于我们新的插件系统，我们还将 Pollen Robotics 的 Reachy 2 添加到了 LeRobot 中！Reachy 2 可用于真实机器人控制和仿真，让你能够立即体验遥操作和自主演示。

手机集成

得益于我们强大的新流水线系统，你现在可以直接从手机（iOS/Android）遥操作你的从动臂。手机充当遥操作设备，我们的 RobotProcessor 流水线处理所有变换，让你能够轻松地在不同的动作空间（如末端执行器空间）中驱动机器人。查看示例！

Hugging Face 机器人学习课程

我们正在推出一门全面、自定进度且完全开源的课程，旨在让每个人都能轻松学习机器人学习！如果你对现实世界中的机器人如何学习感到好奇，这里就是完美的起点。

在本课程中，你将学习如何：

  • 理解经典机器人学的基础知识。
  • 使用生成模型进行模仿学习（VAE、扩散模型等）。
  • 将强化学习应用于现实世界中的机器人。
  • 探索最新的通用机器人策略，如 PI0 和 SmolVLA。

加入 Hugging Face 机器人组织，跟随学习并开启你的旅程！

深入探索：现代机器人学习教程

对于那些想要更深入学习的人，我们还发布了一份关于机器人学最新进展的实践教程。本指南提供了自包含的讲解，从第一性原理重新推导现代技术，并包含使用 LeRobot 和 Hugging Face 的即用代码示例。

教程本身托管在一个 Space 中，其中包含使用 LeRobot 的实用示例，所有模型和数据集都在 Hugging Hub 上。你也可以查看我们的论文以获取详细概述。

团队寄语

除了这些主要功能之外，本次发布还包含大量错误修复、文档改进、依赖项更新、更多示例以及更好的基础设施，让你使用 LeRobot 的体验更顺畅、更可靠。

我们要向社区中的每一位成员致以最诚挚的感谢，感谢你们宝贵的贡献、反馈和支持。我们对开源机器人学的未来感到无比兴奋，并期待与你们一起共创未来！

敬请期待更多内容 🤗 从这里开始吧！ – LeRobot 团队 ❤️

来源：Hugging Face：Blog · huggingface.co

#产品更新#开源生态#具身智能#Hugging Face