最近更新时间:2026-11-12 16:49:27
本文介绍如何在星泓训推平台创建 LeRobot 开发任务,读取机器人示范数据,训练 ACT 策略,并在 ALOHA 仿真任务中评估策略。
项目 | 本文配置 |
|---|---|
LeRobot | v0.4.4 |
策略 | ACT |
数据集 |
|
评估任务 |
|
登录星泓训推平台,准备可用的资源组和队列。
确保账号具有开发任务及对应资源和存储的使用权限。
训练使用单 GPU。环境需支持 CUDA、TorchCodec 视频解码及 ALOHA 的 EGL 渲染;首次下载数据和视觉骨干权重时需要外网。
本文命令在 Linux 开发环境的 Bash 终端执行。
在“公共资产管理 → 存储配置”中,新建或选择可读写的存储配置。
核对存储根目录、访问权限和挂载路径。本文使用 /mnt/data,任务创建时需在“挂载配置”中选择该存储。
本文文件放在 /mnt/data/lerobot。如果修改挂载路径,后续命令中的路径也需同步修改。
使用文件存储 KPFS 时,选择对应目录作为存储根目录。使用 KS3 上传本地数据或模型时:
在本地准备文件并解压数据集,保留原目录结构。
登录对象存储控制台,选择“存储空间”,打开目标空间。
选择“内容管理 → 上传文件”,上传数据或模型。
回到平台的“存储配置”,选择该 KS3 实例及对应的 KS 路径。
挂载后的文件路径由存储根目录决定。例如,需要 /mnt/data/lerobot/datasets 时,所选根目录内应包含 lerobot/datasets,避免重复嵌套目录。直接在容器内创建 /mnt/data 不会自动形成持久化挂载。
进入“快速上手 → 一键启动”,点击“LeRobot机器人开发”卡片的“立即前往”。
填写任务名称;镜像类型选择“官方镜像”,使用模板预选的 LeRobot 开发镜像(v0.4.4)。
选择准备好的资源组、队列和资源规格,在“挂载配置”中选择可读写存储,确认挂载路径为 /mnt/data,点击“确定”。
等待开发任务状态变为“运行中”,在列表操作列点击“连接”。
在连接窗口选择 WebIDE,本文使用 Jupyter Notebook;进入 JupyterLab 后,选择 Other → Terminal,打开终端。
图中名称和资源配置为入口示意,按本文的资源要求选择实际配置。
先核对任务详情中的挂载配置,再检查目录和可用容量:
ls -ld /mnt/data
df -h /mnt/data
缓存和检查点需要读写、重命名、符号链接及文件锁支持。执行以下命令检查工作目录,检查文件会在结束时自动清理:
python - <<'PY'
from pathlib import Path
import fcntl
import tempfile
with tempfile.TemporaryDirectory(prefix=".storage-check-", dir="/mnt/data") as folder:
root = Path(folder)
original = root / "original.txt"
original.write_text("storage-ok", encoding="utf-8")
renamed = original.rename(root / "renamed.txt")
link = root / "linked.txt"
link.symlink_to(renamed.name)
assert link.read_text(encoding="utf-8") == "storage-ok"
with (root / "check.lock").open("w") as lock:
fcntl.flock(lock, fcntl.LOCK_EX | fcntl.LOCK_NB)
fcntl.flock(lock, fcntl.LOCK_UN)
print("存储操作检查通过")
PY
如果操作失败,先检查挂载权限及存储类型;不支持上述操作时,使用文件存储 KPFS 作为工作目录。
检查框架、视频解码和仿真依赖:
python - <<'PY'
from importlib.metadata import version
import torch
import torchcodec
import gym_aloha
print("LeRobot:", version("lerobot"))
print("PyTorch:", torch.__version__)
print("TorchCodec:", version("torchcodec"))
print("CUDA:", torch.cuda.is_available())
assert version("lerobot") == "0.4.4", "镜像中的 LeRobot 版本与本例不符"
assert torch.cuda.is_available(), "本例训练需要 CUDA GPU"
PY
lerobot-train --help
lerobot-eval --help
ffmpeg -version
LeRobot 应为 0.4.4,CUDA 应返回 True。若版本不同或依赖导入失败,先核对镜像与本教程是否对应,不在任务中自行升级整套框架。
本例使用公开数据集 lerobot/aloha_sim_transfer_cube_human 的 v3.0 版本。首次运行需要下载数据及模型依赖;没有容器外网时,可提前准备完整缓存并通过存储挂载使用。
设置缓存和结果目录:
export HF_HOME=/mnt/data/lerobot/cache/huggingface
export HF_LEROBOT_HOME=/mnt/data/lerobot/datasets
export TORCH_HOME=/mnt/data/lerobot/cache/torch
export MUJOCO_GL=egl
mkdir -p "$HF_HOME" "$HF_LEROBOT_HOME" "$TORCH_HOME" /mnt/data/lerobot/runs
读取第一帧,检查状态、动作和图像:
python - <<'PY'
from lerobot.datasets.lerobot_dataset import LeRobotDataset
dataset = LeRobotDataset(
"lerobot/aloha_sim_transfer_cube_human", revision="v3.0"
)
print("frames:", len(dataset))
print("episodes:", dataset.meta.total_episodes)
for key in ("observation.state", "action", "observation.images.top"):
print(key, tuple(dataset[0][key].shape))
PY
自有数据需包含完整的 LeRobot 元信息、轨迹及视频。替换数据前,核对采样频率、相机字段、状态和动作维度、时间对齐。MCAP、HDF5 数据需要按源字段转换,不能仅改文件名。
本文在开发终端前台执行算法,运行期间保持终端会话连接。开发任务显示“运行中”表示开发环境已经启动,算法进度以终端输出和日志文件为准。
export LEROBOT_RUN=/mnt/data/lerobot/runs/act_$(date +%Y%m%d_%H%M%S)
set -o pipefail
lerobot-train \
--dataset.repo_id=lerobot/aloha_sim_transfer_cube_human \
--dataset.revision=v3.0 \
--policy.type=act \
--policy.device=cuda \
--policy.push_to_hub=false \
--output_dir="$LEROBOT_RUN" \
--job_name=act_transfer_cube \
--batch_size=8 \
--steps=1000 \
--save_freq=500 \
--num_workers=2 \
--wandb.enable=false \
2>&1 | tee "$LEROBOT_RUN.train.log"
本例训练 1,000 步,关闭模型上传和 WandB。终端应持续输出训练步数和 loss,完整输出同时保存在 $LEROBOT_RUN.train.log。首次训练还可能下载 ACT 视觉骨干的预训练权重,缓存由 TORCH_HOME 保留。可根据任务需要增加训练步数,显存不足时调小 batch size。不要提前创建 LEROBOT_RUN 对应目录,该版本会拒绝在已有目录中启动新的训练。
训练结束后检查:
ls "$LEROBOT_RUN/checkpoints"
ls "$LEROBOT_RUN/checkpoints/last/pretrained_model"
last 是指向最近一次检查点的符号链接,工作目录需支持该文件操作。pretrained_model 中的权重、策略配置和处理器文件需完整保留,不能只复制模型权重。记录本次 LEROBOT_RUN 路径,新终端中按实际路径重新设置变量。
使用与训练数据对应的 ALOHA 方块转移任务:
lerobot-eval \
--policy.path="$LEROBOT_RUN/checkpoints/last/pretrained_model" \
--policy.device=cuda \
--env.type=aloha \
--env.task=AlohaTransferCube-v0 \
--eval.batch_size=1 \
--eval.n_episodes=5 \
--output_dir="$LEROBOT_RUN/eval" \
2>&1 | tee "$LEROBOT_RUN/eval.log"
终端输出 Overall Aggregated Metrics,评估统计写入 $LEROBOT_RUN/eval/eval_info.json,视频在 eval/videos 内。检查脚本正常结束、统计文件和视频均已生成。可增加 eval.n_episodes,获得更多回合的评估统计。
数据、模型、日志和结果保存在 /mnt/data/lerobot,由挂载存储保留。
重新使用结果时,创建或启动使用相同镜像的开发任务,并挂载同一存储。
在新终端中恢复 HF_HOME、HF_LEROBOT_HOME、TORCH_HOME、MUJOCO_GL 和 LEROBOT_RUN,使用原实验目录读取结果。
如修改了镜像内的代码或依赖,在开发任务列表选择“更多 → 保存镜像”保存环境。挂载目录中的文件由存储保留,不随镜像一起备份。
确认脚本结束、结果文件保存完成后,在任务列表停止不再使用的开发或训练任务,释放资源。
纯净模式
