近期网络上流传着Hugging Face推出新款鸭形机器人的消息，声称其能捡东西并拥有独立控制能力。作为技术从业者，需要首先澄清一个事实：Hugging Face并未直接制造名为鸭形机器人的实体硬件。所谓的鸭形机器人，实际上是指具身智能领域中经典的橡皮鸭抓取测试场景。Hugging Face在2024年4月正式开源的是LeRobot机器人学习框架，该框架为这类抓取任务提供了完整的软件栈和算法支持。
为了让大家直接复用技术，本文将从基础概念入手，拆解抓取任务的技术原理，并提供具体的代码实操指南。一、具身智能与抓取任务基础概念具身智能是指拥有物理身体的智能系统，能够通过传感器感知环境，并通过执行器与环境进行交互。在捡东西这个场景中，系统需要完成感知、决策和执行三个核心步骤。感知阶段，机器人需要通过视觉传感器获取目标物体的位置和姿态。决策阶段，控制算法根据感知数据计算出机械臂各关节需要转动的角度。执行阶段，电机驱动机械臂完成抓取动作。在Hugging Face的LeRobot框架中，官方推荐使用SO-100机械臂作为入门硬件。这是一款基于3D打印和开源舵机设计的低成本机械臂，整套硬件成本约为200美元。配合Intel RealSense D435深度相机，可以获取包含深度信息的RGB-D图像，为后续的三维空间定位提供数据基础。二、核心技术解析：从视觉到动作的映射在橡皮鸭抓取任务中，传统的做法是使用OpenCV进行颜色阈值分割，找到鸭子的像素坐标，再通过相机内参转换为三维坐标，最后使用逆运动学求解关节角度。这种方法在环境光照变化或鸭子姿态复杂时，鲁棒性较差。目前主流且高效的方法是采用端到端的深度学习策略。LeRobot框架内置了多种先进的策略算法，其中ACT（Action Chunking with Transformers）是目前表现优异的选择。ACT算法将视觉观测作为输入，直接输出未来一段时间内的动作序列。这种端到端方法的优势在于，它不需要手动设计复杂的特征提取和逆运动学求解过程。模型通过在大量演示数据上进行模仿学习，自动建立起像素空间到关节空间的映射关系。当相机看到桌上的橡皮鸭时，模型能够直接输出机械臂靠近、闭合夹爪、抬起的连续动作指令。三、场景对照与实操代码示例为了让大家能够直接复用这一技术，下面展示如何使用LeRobot框架加载预训练的ACT模型并进行推理。请注意，以下代码需要在配置好PyTorch和LeRobot依赖的Python环境中运行。from lerobot.common.policies.act.modeling_act import ACTPolicyfrom lerobot.common.datasets.lerobot_dataset import LeRobotDatasetimport torchpolicy = ACTPolicy.frompretrained(“lerobot/dummyact_model”)policy.eval()dataset = LeRobotDataset(“lerobot/pusht”)observation = dataset.get_observation(0)with torch.no_grad(): action = policy.select_action(observation)print(“Predicted action sequence:”, action)在实际部署到SO-100机械臂时，需要将上述代码中的observation替换为通过ROS或串口从Intel RealSense D435和舵机编码器读取的实时数据。LeRobot提供了完善的硬件接口抽象层，使得算法验证和硬件部署的代码逻辑保持高度一致。四、技术落地对不同角色的具体影响这项技术的开源和标准化，对不同技术角色产生了直接且具体的影响。对独立开发者而言，LeRobot框架和SO-100硬件的组合，显著降低了具身智能的入门成本。过去验证一个机器人抓取算法需要数十万元的工业机械臂和复杂的系统集成。现在开发者只需花费约200美元购买硬件，配合开源框架，即可在个人工作台上完成从数据采集到模型训练的完整闭环。对高校实验室和科研机构而言，LeRobot提供了标准化的数据集格式和评估基准。研究人员不再需要花费大量时间编写数据加载和硬件通信的底层代码，可以将精力集中在设计新的网络结构或优化奖励函数上，从而缩短具身智能基础算法的迭代验证周期。对制造业中小企业而言，这种低成本的视觉抓取方案为柔性生产线提供了具体的实施路径。在零件分拣、物料搬运等场景中，基于端到端视觉策略的机械臂能够快速适应不同形状和材质的物体，减少了传统自动化设备需要频繁重新标定和编程的成本。五、核心要点总结回顾本文内容，需要明确几个核心要点。首先，Hugging Face并未推出实体鸭形机器人，其核心贡献在于开源了LeRobot机器人学习框架，为具身智能提供了软件基础设施。其次，在抓取任务中，基于深度相机的端到端视觉策略（如ACT算法）比传统视觉算法具有更高的鲁棒性和泛化能力。最后，通过结合SO-100等低成本硬件，开发者可以利用LeRobot框架快速完成从算法验证到实体部署的闭环。具身智能的发展正在从实验室走向实际应用场景。掌握这些开源框架和基础算法，将帮助开发者在机器人领域构建具体的技术实现方案。希望本文的场景对照和代码示例，能为你的技术实践提供直接的参考。可收藏对照（按你的场景勾选）：第一步：先确认使用场景与约束第二步：再比成本、风险与可逆性第三步：小范围试用一周后再扩一句话结论：先小范围验证，再决定要不要全面换。觉得有用就点个关注，下一篇我会把步骤拆得更细，避免你踩坑。下期预告：同一主题的边界与反例。