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。
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。
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 https://hf.co/collections/lerobot/open-x-embodiment Droid https://hf.co/datasets/lerobot/droid_1.0.1
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 https://hf.co/blog/lerobot-datasets-v3
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 https://hf.co/docs/lerobot/using_dataset_tools
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。
LeRobot 现已正式支持
LIBERO https://libero-project.github.io/intro.html
前往查看
LIBERO 数据集 https://hf.co/datasets/HuggingFaceVLA/libero 文档 https://hf.co/docs/lerobot/en/libero
我们已集成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。
Meta-World https://meta-world.github.io
立即使用
Meta-World 数据集 https://hf.co/datasets/lerobot/metaworld_mt50
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。
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 https://hf.co/docs/lerobot/introduction_processors
大规模机器人策略的训练现在更快了！我们将
Accelerate https://github.com/huggingface/accelerate
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 https://hf.co/docs/lerobot/multi_gpu_training
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！
Physical Intelligence 团队 https://hf.co/physical-intelligence
你可以在 Hugging Face Hub 上找到这些模型：
pi0.5_base https://hf.co/lerobot/pi05_base pi0_base https://hf.co/lerobot/pi0_base Physical Intelligence 的研究博客 https://www.physicalintelligence.company/blog/pi05
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！
NVIDIA 团队 https://hf.co/nvidia
你可以在 Hugging Face Hub 上找到该模型：
GR00T-N1.5-3B https://hf.co/nvidia/GR00T-N1.5-3B NVIDIA 的研究页面 https://research.nvidia.com/labs/gear/gr00t-n1_5/ 官方 GitHub 仓库 https://github.com/NVIDIA/Isaac-GR00T
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！
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。
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 https://hf.co/docs/lerobot/integrate_hardware#using-your-own-lerobot-devices-
pip install lerobot_teleoperator_my_awesome_teleop
lerobot-teleoperate --teleop.type=my_awesome_teleop
得益于全新插件系统，我们已将 Pollen Robotics 的
Reachy 2 https://www.pollen-robotics.com/reachy/
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 https://github.com/huggingface/lerobot/tree/main/examples/phone_to_so100
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 https://hf.co/robotics-course
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 https://hf.co/spaces/lerobot/robot-learning-tutorial 我们的论文 https://hf.co/papers/2510.12403
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 https://github.com/huggingface/lerobot
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢