LeRobot

Biblioteca de ML da HuggingFace para robótica do mundo real em PyTorch

Licença

Apache-2.0

Visão geral

Biblioteca de aprendizado de máquina de código aberto da HuggingFace para robótica do mundo real em PyTorch. Oferece modelos, datasets e ferramentas para democratizar o desenvolvimento de robótica, com ênfase em aprendizado por imitação e aprendizado por reforço. Inclui plataformas robóticas acessíveis prontas para montar (SO-101 por €114, braço humanoide HopeJR, robô móvel LeKiwi), modelos pré-treinados no HuggingFace Hub, datasets de demonstrações coletadas por humanos e ambientes de simulação (ALOHA, PushT, SimXArm). Permite treinar robôs em minutos com dados de demonstração e oferece suporte à transferência para o mundo real.

O LeRobot é a plataforma de código aberto da Hugging Face para robótica do mundo real, focada em tornar a IA e o aprendizado de máquina de ponta acessíveis à comunidade de robótica. Com base na experiência da Hugging Face em democratizar a IA, o LeRobot oferece modelos pré-treinados, datasets e ferramentas projetados especificamente para tarefas de manipulação e controle robótico. A plataforma enfatiza facilidade de uso, reprodutibilidade e colaboração da comunidade, permitindo que pesquisadores e desenvolvedores implantem rapidamente recursos avançados de IA em robôs físicos. O LeRobot faz a ponte entre a pesquisa de ponta em IA e as aplicações robóticas práticas.

Por que importa

O LeRobot está fazendo pelo aprendizado robótico o que o Hugging Face Transformers fez pelo NLP — oferecendo um framework unificado e acessível que reduz a barreira de entrada. Com hardware acessível já pronto, conjuntos de dados compartilhados e modelos pré-treinados no Hub, ele está se tornando rapidamente o ponto de partida padrão para a pesquisa em aprendizado robótico.

Problema que resolve

A pesquisa em aprendizado robótico está fragmentada em dezenas de bases de código incompatíveis, o que torna impossível reproduzir resultados ou comparar métodos. O LeRobot padroniza o pipeline de treinamento e avaliação para que os pesquisadores possam se concentrar nos algoritmos, e não na infraestrutura.

Pontos principais

• API unificada para treinar políticas de robôs com diferentes algoritmos (ACT, Diffusion Policy, TDMPC)
• Modelos pré-treinados e conjuntos de dados compartilhados pelo HuggingFace Hub
• Plataformas de hardware acessíveis: SO-101 (114 EUR), HOPEJr, LeKiwi
• Funciona tanto com ambientes simulados quanto com robôs reais
• Comunidade em rápido crescimento que contribui com modelos, conjuntos de dados e integrações de hardware

Para quem é

• Pesquisadores de aprendizado robótico de todos os níveis
• Engenheiros de ML que constroem políticas de manipulação
• Hobbistas com braços de baixo custo (SO-101, Koch)
• Empresas que avaliam abordagens de aprendizado por imitação

Limitações

• O foco está no aprendizado por imitação — menos suporte para abordagens baseadas em RL
• O suporte a robôs reais depende das interfaces de hardware disponíveis
• A API evolui rapidamente, então a documentação pode ficar atrás dos lançamentos
• Os requisitos computacionais para treinamento podem ser significativos (GPU recomendada)