@oprydai: lerobot so-101 之所以有趣，是因为它让机器人学习感觉像是一个真正的软件流水线，而不是随机的实验室魔法……

lerobot so-101 之所以有趣，是因为它让机器人学习感觉像是一个真正的软件流水线，而不是随机的实验室魔法。 旧的机器人工作流程混乱不堪：编写自定义控制代码、连接传感器、以某种随机格式记录数据、用另一个脚本训练模型、用另一套堆栈部署，然后花几天时间调试为什么各个部分之间无法通信。 lerobot 将其简化为一个更清晰的循环：收集数据 → 存储回合 → 训练策略 → 评估 → 部署到机器人上。 重要之处在于数据集格式。 每个回合都变成一个结构化的序列：相机帧、机器人状态、动作、时间戳、如果需要的话还有奖励，有时还包括语言指令。这意味着机器人的行为不再只是隐藏在代码中。它变成了数据。 然后策略学习映射关系： 观察 + 状态 + 指令 → 动作 对于 so-101 来说，这一点很重要，因为操作不仅仅是“将电机转到某个角度”。模型必须学习接触、时机、物体几何、相机反馈、微小修正以及动作如何在多个步骤中演变。 这就是为什么像 ACT 这样的策略很有意义。它不是一次预测一个动作，而是预测动作块。机器人获得了短期行为视野，这使得操作更加平滑，不再那么抽搐。 然后你可以转向扩散策略、VLA 模型、smolvla、自定义架构等任何东西。但核心循环保持不变。 收集示范。 将物理行为转换为数据集。 训练策略。 将其部署回物理系统。 观察它失败。 收集更好的数据。 再次训练。 这是目前大多数人在机器人方面忽略的部分。 瓶颈不仅仅是更好的模型。 而是更好的机器人数据流水线。 lerobot 基本上是想给机器人学提供 PyTorch 给深度学习带来的东西：一个通用接口、可复现的训练循环、共享数据集、基线，以及从实验到部署的路径。 so-101 不仅仅是一个小型机械臂。 它是一个用于学习完整机器人学习栈的廉价物理接口。 遥操作、模仿学习、数据集整理、动作预测、评估、仿真到现实的思考，以及实际部署。 这就是机器人学的发展方向。 更少的手工编码行为。 更多的数据驱动策略。 更少的孤立演示。 更多的可复现流水线。 不是把机器人当玩具。 机器人作为数据集、策略、控制循环和具身系统。