كيفية إعداد LeRobot (Hugging Face): دليل عملي

pip install lerobot -U

python -c "import lerobot; print(lerobot.__version__)"

0.5.0

my_dataset/
├── scenes/               # اختياري: تكوين المشاهد ثلاثية الأبعاد
│   └── table.yaml
├── trajectories/         # أمثلة مسجلة
│   ├── demo_0.h5         # تنسيق HDF5 (ضروري)
│   ├── demo_1.h5
│   └── ...
└── metadata.json         # وصف مجموعة البيانات (ضروري)

{
  "description": "مجموعة بيانات UR5 لرفع ووضع الأشياء",
  "robot": "ur5e",
  "tasks": ["pick", "place"],
  "sensors": ["rgb_camera", "joint_states"],
  "version": "0.1.0"
}

from lerobot import ACTPolicy

# تحميل نموذج ACT المسبق التدريب (ذراع فرانكا، معالجة على سطح الطاولة)
policy = ACTPolicy.from_pretrained("lerobot/act3d-franka-table")

# محاكاة خطوة (دخول: قاموس الملاحظات)
observation = {
    "image": torch.randn(3, 256, 256),  # صورة RGB
    "joint_states": torch.randn(7),     # زوايا مفاصل الذراع
    "ee_pose": torch.randn(7)            # وضع نهاية التنفيذ
}
action = policy(observation)
print(action.shape)  # المتوقع: torch.Size([7]) لزخم المفاصل

from lerobot import DiffusionPolicy

# تحميل سياسة grasp باستخدام Diffusion
policy = DiffusionPolicy.from_pretrained("lerobot/diffusion_policy-grasp")

# أخذ عينة من العمل (عشوائي)
action = policy.sample(observation)
print(action)  # الناتج: {"action": tensor([...]), "log_probs": tensor([...])}

from lerobot import SmolVLA

# تحميل نموذج VLA للأنشطة المشروطة بالنص
vla = SmolVLA.from_pretrained("lerobot/smolvla-aloha")

# استعلام باستخدام نص وصورة
query = {
    "image": torch.randn(3, 224, 224),
    "text": "أخذ الكتل الحمراء",
    "joint_states": torch.randn(7)
}
action = vla(query)
print(action)  # الناتج: tensor([...]) لأعمال المفاصل

lerobot record \
  --robot ur5e \
  --sensors rgb_camera joint_states \
  --output_dir ./ur5_demos \
  --max_episodes 10

سجل مجموعة بيانات ل UR5e...
حلقه 1/10: انتظر إدخال التوجيه...
[بدء عقدة ROS 2: /lerobot_recorder]
[سجل في: ./ur5_demos/trajectories/episode_0.h5]
[اضغط Ctrl+C لإنهاء الحلقة]

from lerobot import BehaviorCloningTrainer
from lerobot.datasets import load_dataset

# تحميل مجموعة البيانات الخاصة بك
dataset = load_dataset("path/to/ur5_demos")

# إعداد المدرب
trainer = BehaviorCloningTrainer(
    model="lerobot/act3d-base",  # ابدأ من قاعدة مسبقة التدريب
    dataset=dataset,
    batch_size=32,
    epochs=50,
    lr=1e-4
)

# تدريب!
trainer.train()
trainer.push_to_hub("my-ur5-policy")  # حفظ على منصة Hugging Face Hub

from lerobot.sim import IsaacGymEnv
from lerobot import ACTPolicy

# تحميل السياسة والبيئة
policy = ACTPolicy.from_pretrained("my-ur5-policy")
env = IsaacGymEnv(robot="ur5e", task="pick_place")

# تشغيل التقييم
success_rate = env.evaluate(policy, episodes=10)
print(f"نسبة النجاح: {success_rate * 100:.2f}%")

حلقه 1/10: نجاح = صحيح
حلقه 2/10: نجاح = خطأ
...

from lerobot.hardware import UR5Controller
from lerobot import ACTPolicy

# إعداد الروبوت والسياسة
robot = UR5Controller()
policy = ACTPolicy.from_pretrained("my-ur5-policy")

# تشغيل التحكم في الحلقة المغلقة
while True:
    obs = robot.get_observations()
    action = policy(obs)
    robot.send_action(action)

lerobot push_to_hub \
  --path ./ur5_demos \
  --repo_id my-username/ur5-pick-place-demos \
  --private  # اختياري: ضع على False للجمهور

from lerobot import ACTPolicy

# تحميل السياسة المدربة
policy = ACTPolicy.from_pretrained("lerobot/act3d-base")
policy.train()  # افترض أنك قد دربته

# نشر على المنصة
policy.push_to_hub("my-username/ur5-act-policy")

pip install lerobot[so100]

lerobot record \
  --robot so100 \
  --sensors rgb_camera base_pose \
  --output_dir ./so100_navigation

from lerobot.hardware import KochArm

robot = KochArm()
robot.move_to_joint_positions([0.5, -0.3, 0.0,