LeRobot+SO-ARM100上手：2小时跑通AI抓取全流程

去年这个时候，想让一台机械臂学会自己抓东西放到指定位置，你需要会写ROS、会调PID、会训练强化学习模型，整套流程走下来至少一两个月。现在有了HuggingFace的LeRobot，这个流程被压缩到了2小时：装好环境、连上机械臂、录50次演示、训练一个ACT模型，机械臂就能自己干活了。

环境准备

硬件方面，你需要一条SO-ARM100或SO-ARM101机械臂（leader加follower一对），一套Feetech STS3215舵机，一个带USB口的电脑（Ubuntu 22.04或24.04，有NVIDIA GPU更好但训练不是必须）。软件方面，Python 3.10加一个虚拟环境，pip install lerobot就行。

安装过程很顺滑：创建虚拟环境、pip install "lerobot[feetech]"，然后连上机械臂的USB，运行lerobot calibrate校准。校准过程就是手动把机械臂掰到各个极限位置，让软件知道每个舵机的活动范围。整个过程大概5分钟。

录制演示数据

校准完成后，就可以开始录数据了。LeRobot的工作流是这样的：你用手操控leader臂，follower臂同步动作，同时记录每个关节的角度和摄像头画面。一个完整的「拿起方块放到碗里」动作算一个episode，录50个episode就能训练。

录数据的关键是动作要一致。每次拿方块的起始位置尽量相同，放到碗里的位置也尽量一致。如果动作差异太大，模型会学不好。50个episode大概需要30-40分钟就能录完。

训练ACT策略

数据录好后，一行命令启动训练：lerobot train --policy=act。ACT（Action Chunking with Transformers）是目前模仿学习领域效果最好的算法之一，它对操作任务特别擅长。训练50个epoch大概需要10-20分钟（有GPU的话几分钟）。

训练完成后，就可以让机械臂自主执行了。把摄像头对准工作区域，运行部署命令，机械臂会根据摄像头画面实时决策：方块在哪、碗在哪、该怎么抓、该怎么放。整个过程不需要你写一行控制代码。

实际效果

我第一次跑通的场景是把红色方块抓到黑色碗里。训练50个episode后，机械臂的成功率大概在70-80%。如果增加数据量到100个episode，成功率能到90%以上。换一种物体（比如抓积木或抓笔），需要重新录制数据和训练。

整个流程从安装到机械臂自主抓取，我用了不到2小时。成本方面：SO-ARM100双臂套件约130美元，加上你已经有的电脑，总投入不到1000元。这可能是2026年进入机器人AI领域最便宜的方式了。