近期技术社区流传Hugging Face推出新款鸭形机器人的消息。经核实，Hugging Face官方并未发布任何名为鸭形的物理机器人产品。该传言源于对开源仿真项目Duckietown的误读，或是对某款末端执行器形似鸭嘴的机械臂的戏称。
Hugging Face在具身智能领域的核心动作，是于2024年5月首次开源了LeRobot框架。LeRobot旨在降低机器人学习的门槛，让开发者能够使用与训练大语言模型相似的工作流来训练机器人。以下按技术实操步骤，拆解LeRobot的核心流程。第一步：理解具身智能与LeRobot架构具身智能指智能体通过物理身体与真实环境交互来学习和执行任务。传统的机器人控制依赖人工编写逆运动学规则和PID控制算法，而LeRobot采用数据驱动的端到端方法。它支持多种硬件，其中最具代表性的是SO-100机械臂。SO-100是一款3D打印的开源机械臂，其物料清单成本约为200美元，降低了硬件门槛。LeRobot的架构分为数据收集、模型训练和推理部署三个核心模块。它内置了多种模仿学习算法，包括ACT和Diffusion Policy。ACT算法通过预测动作块来减少累积误差，通常一个动作块包含未来10到50步的控制指令。Diffusion Policy则利用扩散模型，通过逐步去除高斯噪声来生成平滑且符合物理规律的动作轨迹。第二步：硬件部署与数据采集在实操中，首先需要搭建硬件环境。以SO-100为例，开发者需要组装机械臂并连接RGB摄像头。LeRobot提供了统一的API来读取传感器数据，并通过时间戳对齐机制，确保图像帧与关节角度数据的严格同步，误差控制在10毫秒以内。数据采集是模仿学习的基础。开发者通过手动遥控控制机械臂完成特定任务，如抓取方块并放置到指定区域。LeRobot的录制工具会同步记录关节角度、末端位姿、摄像头图像以及夹爪状态，并自动将其转换为HDF5或Parquet格式，便于后续高效读取。第三步：模型训练与代码实操收集到数据后，进入模型训练阶段。以下展示如何使用LeRobot的Python API加载数据集并初始化ACT模型进行训练。导入必要的库并加载数据集：from lerobot.common.datasets.lerobot_dataset import LeRobotDatasetfrom lerobot.common.policies.act.modeling_act import ACTPolicyimport torch配置数据集路径与参数：datasetpath = “./mydataset"fps = 30episode_length = 300初始化数据集对象：dataset = LeRobotDataset(repoid=“myuser/my_dataset”,root=dataset_path,fps=fps,episodes=[0, 1, 2])初始化ACT策略模型：policy = ACTPolicy.frompretrained(“lerobot/actkoch_real”)device = torch.device(“cuda” if torch.cuda.is_available() else “cpu”)policy.to(device)配置训练参数并开始训练循环：optimizer = torch.optim.Adam(policy.parameters(), lr=1e-4)for epoch in range(10):for batch in dataset:observations = batch[“observation.state”].to(device)actions = batch[“action”].to(device)loss = policy.compute_loss(observations, actions)loss.backward()optimizer.step()optimizer.zero_grad()print(f"Epoch {epoch} loss: {loss.item()}”)第四步：推理部署与闭环控制训练完成后，将模型部署到机器人上。在推理阶段，摄像头实时获取图像，模型根据当前观测输出未来的动作序列。LeRobot支持将PyTorch模型导出为ONNX格式，以便在树莓派5或Jetson Nano等边缘计算设备上实现低延迟推理。在闭环控制中，系统通常只执行动作块中的前5步，然后根据新的观测重新预测，这种滚动时域策略有效应对了环境中的动态扰动。具体应用场景与影响分析LeRobot及相关低成本硬件方案的推出，对不同的技术角色产生了具体的实际影响。对独立开发者与极客而言：过去开发机械臂抓取算法需要购买数万元的工业机械臂和昂贵的软件授权。现在通过SO-100和LeRobot框架，个人开发者在家庭环境中即可完成从数据采集到模型训练的全流程，验证模仿学习算法的有效性。对高校与教育机构而言：具身智能教学长期受限于硬件成本。LeRobot提供了标准化的Python API和开源数据集，教师可以直接将其引入机器人学或深度学习课程，学生无需深厚的C++底层控制背景，即可通过Python训练机器人完成复杂任务。对中小型制造企业而言：在非标自动化场景中，传统示教编程耗时费力。利用LeRobot的ACT算法，工程师只需人工示范几次，即可让低成本机械臂学会新的装配或分拣动作，快速适应产线变更。总结网络关于鸭形机器人的传言虽为误读，但折射出社区对低成本具身智能硬件的关注。Hugging Face推出的LeRobot框架，通过标准化数据流和集成先进模仿学习算法，将机器人开发的门槛从底层控制提升到了算法层面。掌握从数据采集、模型训练到边缘部署的完整工作流，是开发者切入具身智能领域的关键路径。欢迎在评论区分享你在具身智能开发中遇到的硬件适配或算法调优问题。