我们非常高兴地宣布，LeRobot 迎来一系列重大升级，让开源的机器人学习比以往更强大、更可扩展、也更易用！从重构的数据集到灵活的编辑工具、新的仿真环境，以及面向硬件的全新插件系统，LeRobot 正在持续演进，以满足前沿具身智能 (Embodied AI) 不断发展的需求。
简要总结
LeRobot v0.4.0 为开源机器人领域带来重要升级：引入可扩展的 Datasets v3.0、强大的新 VLA (视觉-语言-动作) 模型如 PI0.5 与 GR00T N1.5，以及全新的插件系统，简化硬件集成。该版本还新增对 LIBERO 与 Meta-World 仿真的支持、简化多 GPU 训练，并上线全新的 Hugging Face 机器人学习课程。
数据集：为下一波大规模机器人学习做好准备
我们彻底重构了数据集基础设施，推出 LeRobotDataset v3.0，采用全新的分块式 Episode 格式与流式读取能力。这对于处理超大规模数据集 (如 OXE (Open X Embodiment) 与 Droid) 是一次范式跃迁，带来前所未有的效率与可扩展性。
Datasets v3.0 有何新变化？
- 分块式 Episodes，面向超大规模：新格式支持 OXE 量级 (> 400 GB) 的数据集，显著提升可扩展性。
- 高效视频存储与流式读取：更快的加载速度与顺畅的视频数据流式访问。
- 统一的 Parquet 元数据：告别分散的 JSON！所有 Episode 的元数据现统一存放于结构化的 Parquet 文件中，便于管理与访问。
- 更快的加载与更好的性能：显著缩短数据集初始化时间，内存使用更高效。
我们还提供了转换脚本，帮助你将现有 v2.1 数据集一键迁移到新的 v3.0 格式，确保平滑过渡。更多细节可阅读我们此前的 博客文章。开源机器人的学习能力持续升级中！
新特性：数据集编辑工具！
使用 LeRobot 数据集从未如此轻松！我们新增了一套强大的数据集灵活编辑工具。
借助全新的命令行工具 lerobot-edit-dataset，你可以：
- 从现有数据集中删除指定的 Episodes。
- 按比例或 Episode 索引拆分数据集。
- 轻松添加或移除特征字段。
- 将多个数据集合并为一个统一数据集。
# 将多个数据集合并为单一数据集
lerobot-edit-dataset \--repo_id lerobot/pusht_merged \--operation.type merge \--operation.repo_ids "['lerobot/pusht_train', 'lerobot/pusht_val']"# 删除部分 episodes 并保存为新数据集（保留原数据集）
lerobot-edit-dataset \--repo_id lerobot/pusht \--new_repo_id lerobot/pusht_after_deletion \--operation.type delete_episodes \--operation.episode_indices "[0, 2, 5]"
这些工具将大幅简化你的工作流，让你以前所未有的方式策划与优化机器人数据集。更多详情请查阅 文档！
仿真环境：扩展你的训练场
我们持续扩展 LeRobot 的仿真能力，为你的机器人策略提供更丰富、更多样化的训练环境。
LIBERO 支持
LeRobot 现已正式支持 LIBERO——这是 VLA (视觉-语言-动作) 策略中规模最大的开源基准之一，涵盖超过 130 个任务！这一步为打造 VLA 策略的首选评测枢纽奠定了基础，提供便捷的集成方式与统一的评测配置。
前往查看 LIBERO 数据集 与我们的 文档 开始上手！
Meta-World 集成
我们已集成 Meta-World，它是评测机器人操作多任务与泛化能力的一流基准，包含 50+ 种多样化的操作任务。配合我们对 gymnasium ≥ 1.0.0 与 mujoco ≥ 3.0.0 的标准化使用，这一集成为确定性的随机种子与稳健的仿真基础提供了保障。
立即使用 Meta-World 数据集 训练你的策略吧！
代码库：人人可用的强力工具
我们让机器人控制更加灵活与易用，解锁数据采集与模型训练的新可能。
全新的数据处理 Pipeline
让数据从机器人流向模型 (再流回去！) 并不容易。原始传感器数据、关节位置与语言指令，与人工智能模型期望的输入并不一致。模型需要在正确设备上的规范化、按批次的张量，而你的机器人硬件则需要特定格式的动作命令。
我们很高兴地推出 Processors：一个模块化的数据处理 Pipeline，可充当通用的“数据翻译器”。你可以把它想象为一条装配线，每个 ProcessorStep 只处理一个明确的工序——例如归一化、文本 Token 化、或将数据移到 GPU。
你可以将这些步骤串联起来，构建强大的 Pipeline，精准管理你的数据流。我们还提供了两类开箱即用的 Pipeline，进一步降低使用门槛：
PolicyProcessorPipeline：面向模型。专为高性能训练与推理处理按批次的张量。RobotProcessorPipeline：面向硬件。以单条数据 (如单次观测或动作) 为粒度，服务于实时机器人控制。
# 获取环境状态
obs = robot.get_observation()# 重命名、打批、归一化、文本分词、移动到设备 ...
obs_processed = preprocess(obs)# 推理
action = model.select_action(obs_processed)# 反归一化、移动设备 ...
action_processed = postprocess(action)# 执行动作
robot.send_action(action_processed)
这个系统让任何策略与任何机器人都能简单互联，确保你的数据在每一步都处于“刚刚好”的格式。详情可阅读我们的 Processors 入门文档。
多 GPU 训练更简单
大规模机器人策略的训练现在更快了！我们将 Accelerate 直接整合进训练 Pipeline，只需 一条命令 即可在多块 GPU 上无缝扩展你的实验：
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 \# ... 更多训练配置参数
无论是对策略进行微调，还是开展大规模实验，LeRobot 现在都能替你处理分布式训练的全部复杂性。这意味着你可以大幅缩短训练时间：约 2 块 GPU 可减半，约 3 块 GPU 可降至三分之一，更多 GPU 效率更高。
查阅 文档 加速你的机器人学习！
策略：释放开放世界泛化能力
PI0 与 PI0.5
在开源机器人领域的一个重要里程碑中，我们将 Physical Intelligence 的 pi0 与 pi0.5 策略集成进了 LeRobot！这些 VLA (视觉-语言-动作) 模型在解决开放世界泛化问题上迈出了重要一步。那么，π0.5 的革命性体现在哪里？
- 开放世界泛化：能够适应完全陌生的环境与情境，在物理、语义与环境层面实现跨域泛化。
- 异构数据共训练：从多模态网页数据、自然语言指令、子任务命令与多环境机器人数据的多样组合中学习。
- Physical Intelligence 合作：特别感谢 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 及它们的 Libero 微调版本。更多细节请参考 Physical Intelligence 的研究博客。
GR00T N1.5
另一项令人振奋的进展是，我们与 NVIDIA 机器人团队携手，将 GR00T N1.5 集成进 LeRobot！这是一款面向泛化的开源基础模型，能够进行跨本体的推理与技能迁移。它接收多模态输入 (如语言与图像) ，可在多样环境中执行复杂的操作任务，标志着通用机器人又一大步。GR00T N1.5 为何与众不同？
- 泛化推理与技能：作为跨本体的基础模型，GR00T N1.5 擅长泛化推理与操作任务，并提升了语言跟随能力。
- 大规模异构训练：训练数据覆盖真实人形机器人采集数据、NVIDIA Isaac GR00T Blueprint 生成的合成数据，以及互联网规模的视频数据。
- 与 NVIDIA 合作：我们很高兴与 NVIDIA 团队 合作，将这一前沿模型带给开源的 LeRobot 社区！
你可以在 Hugging Face Hub 上找到该模型：GR00T-N1.5-3B。更多信息请查看 NVIDIA 的研究页面 与 官方 GitHub 仓库。
这些策略在 lerobot 中的原生集成，让机器人学习更开放、更可复现。立即试用、分享你的训练运行结果，让我们共同推动具身智能的前沿！
机器人：插件系统引领硬件集成新纪元
对硬件爱好者而言的重磅消息！我们发布了全新的插件系统，彻底改造了第三方硬件与 LeRobot 的集成方式。现在，只需一次 pip install，就能连接任意机器人、相机或遥操作设备，无需修改核心库。
核心优势
- 可扩展性：在独立的 Python 包中开发并集成自定义硬件。
- 规模化：支持不断增长的设备生态，而不会“增肥”核心库。
- 社区友好：降低社区贡献门槛，促进更高效的协作。
想要创建自己的插件？请阅读我们的 文档。
pip install lerobot_teleoperator_my_awesome_teleop
lerobot-teleoperate --teleop.type=my_awesome_teleop
Reachy 2 集成
得益于全新插件系统，我们已将 Pollen Robotics 的 Reachy 2 集成到 LeRobot 中！Reachy 2 同时支持真实机器人控制与仿真，让你可以立即开展遥操作与自主演示实验。
手机集成
得益于强大的新 Pipeline 系统，你现在可以直接用手机 (iOS/Android) 遥操作你的从动机械臂。手机作为遥操作设备，RobotProcessor Pipeline 负责全部数据变换，让你轻松在不同动作空间 (如末端执行器空间) 驱动机器人。查看示例。
Hugging Face 机器人学习课程
我们上线了一门全面、可自学、且完全开源的课程，旨在让机器人学习真正“人人可学”！如果你对真实世界中的机器人如何学习感兴趣，这是绝佳的起点。
在这门课程中，你将学到：
- 理解经典机器人学的基础知识。
- 使用生成式模型进行模仿学习 (VAE、扩散模型等) 。
- 将强化学习应用于真实机器人。
- 探索最新的通用机器人策略，如 PI0 与 SmolVLA。
加入 Hugging Face Robotics 组织 一起学习吧！
深入讲解：现代机器人学习教程
我们还发布了一篇动手实践的现代机器人学习教程，系统梳理近期的关键进展。该指南从第一性原理重新推导现代技术，并提供可直接运行的示例代码，全面基于 LeRobot 与 Hugging Face。
教程托管在一个 Space 中，包含大量基于 LeRobot 的实操示例，所有模型与数据集均在 Hugging Face Hub 上。同时你也可以查看 我们的论文 以获得更全面的概览。
团队总结
除了以上重大功能，这个版本还包含大量的错误修复、文档改进、依赖更新、更多示例与更好的基础设施，只为让你在使用 LeRobot 时获得更顺滑、更可靠的体验。
衷心感谢每一位社区成员的宝贵贡献、反馈与支持。我们对开源机器人的未来无比期待，也迫不及待地想与你一起构建下一步！
更多精彩，敬请期待 🤗 现在就从 这里 开始吧！
—— LeRobot 团队 ❤️
英文原文: https://huggingface.co/blog/lerobot-release-v040
原文作者: Steven Palma, Michel Aractingi, Pepijn Kooijmans, Caroline Pascal, Jade Choghari, Francesco Capuano, Adil Zouitine, Martino Russi, Thomas Wolf
译者: Luke, Hugging Face Fellow
