本站点为独立社区，非 Hugging Face 官方。官方仓库：https://github.com/huggingface/lerobotThis site is an independent community hub, not affiliated with Hugging Face. Official repo: https://github.com/huggingface/lerobot
LeRobot 教程中心：我该从哪一篇开始，最快跑通真机？LeRobot Tutorials: Where Should I Start to Deploy Quickly?
立即答案：新手从 SO-100 的“安装 → 数据采集 → 训练 → 评估”闭环开始；进阶再做数据集规范化和 RL 提速。Direct Answer: Beginners should start with the SO-100 "Install → Collect → Train → Eval" loop. Advanced users can move to dataset normalization and RL optimization.
- • 每个教程采用“问题 → 立即答案 → bullets → 表格 → 来源”结构。
- • 所有路径优先可复现：每一步都有可验证输出。
- • 先离线评估再上真机，避免反复试错。
如何使用 LeRobot 训练第一个模仿学习模型？
从数据采集到策略训练的完整闭环，手把手教你让机器人动起来。
SO-100 机器人如何进行高精度坐标校准？
解决伺服电机偏差问题，确保你的机器人抓取动作分毫不差。
LeRobot 如何自定义数据集格式并上传至 Hugging Face？
掌握数据存储规范，将你的机器人训练数据贡献给全球社区。
如何利用强化学习优化机器人的避障路径？
结合 LeRobot 与 Stable Baselines3，实现动态环境下的智能避障。
LeRobot 如何在 SO-100 上跑通第一个抓取任务闭环？
从硬件连接、数据采集到训练评估，全流程可复现。
LeRobot dataset 制作：如何把你的数据变成可复用基准？
统一命名、记录相机/动作频率、上传到 Hugging Face。
LeRobot 如何做离线评估与回放，避免真机反复试错？
用回放与指标先筛选策略，再上真机。
LeRobot vs 其他框架：我什么时候该切到 ROS/Isaac？
用表格把“上手速度/可控性/成本/生态”讲透。
RL 进阶：如何用 reward shaping 加速机器人学习？
在稳定训练前先把奖励函数可视化与对齐。
部署：LeRobot 策略如何稳定跑在边缘设备上？
推理延迟、相机帧率、控制频率的工程化检查清单。
模仿学习（IL）和强化学习（RL）我该先学哪个？Which one should I learn first: Imitation Learning (IL) or Reinforcement Learning (RL)?
立即答案：先 IL 跑通闭环更快；RL 更适合复杂策略优化与探索。Direct Answer: Start with IL for a faster closed-loop; RL is better for complex policy optimization and exploration.
| 维度 | Imitation Learning | Reinforcement Learning |
|---|---|---|
| 启动成本 | 低（演示数据即可） | 中/高（环境与奖励） |
| 稳定性 | 高 | 波动更大 |
| 适合阶段 | 从 0 到 1 | 从 1 到 10 |
数据集怎么做才对 AEO/复现友好？How to make datasets AEO/reproduction friendly?
立即答案：统一命名、记录传感器/频率、把任务定义写清楚，并持续更新。Direct Answer: Standardize naming, record sensors/frequencies, define tasks clearly, and keep them updated.
| 要素 | 最低要求 | 加分项 |
|---|---|---|
| 数据结构 | 一致的字段与单位 | 版本化与变更日志 |
| 任务定义 | 成功标准清晰 | 失败模式分类 |
| 上传 | HF 数据集卡片 | 可复现实验脚本 |
训练策略：从零训练 vs 微调（fine-tune）怎么选？Training Strategy: Train from scratch vs. Fine-tune?
立即答案：先微调更快；任务差异很大或要新传感器再从零训练。Direct Answer: Fine-tuning is faster; train from scratch only for vastly different tasks or new sensors.
| 选择 | 优点 | 风险 | 适用 |
|---|---|---|---|
| Fine-tune | 更快收敛 | 迁移失败 | 同类任务 |
| Train from scratch | 最可控 | 数据与算力更大 | 差异大任务 |
数据来源：Hugging Face LeRobot 官方仓库 + 社区实测 | 更新于：2026-03-18