---

🚀 News

• [2026-05-30] : 支持lerobot0.5.2内置的10种模型与原版模型(LingbotVLA,LingbotVLA-v2 pi0, pi0fast, pi05, gr00tN1.7)
• [2026-08-26] : 我们推出Kuavo-VLA-1.0, 一款基于Kuavo本体与工业场景的垂域大模型。使用方法见完整文档
• [2026-09-20] : LeTools-Learning v2.0，新增多种policy、SG100灵巧手末端、Kuavo 5W全身控制和全身VLA案例。详情见 更新日志

✨ 核心特性

---

📋 环境要求

推荐环境：

• Ubuntu 20.04
• Python 3.12
• ROS Noetic
• 支持 CUDA 的 NVIDIA GPU（训练需要）
• Conda / Miniforge
• Docker 与 NVIDIA Container Toolkit（仿真或容器化 ROS 工作流需要）

---

🛠️ 安装

1. 克隆仓库

git clone https://github.com/LejuRobotics/LeTools-Learning.git
cd LeTools-Learning

2. 创建环境

conda create -n letools python=3.12
conda activate letools

3. 一键安装依赖

source /opt/ros/noetic/setup.bash
chmod +x setup_env.sh
bash setup_env.sh

📘 完整安装步骤见 安装指南

---

🚀 快速开始

📊 Step 1 — 数据转换：Rosbag → LeRobot

编辑 configs/data/KuavoRosbag2Lerobot.yaml：

rosbag:
  mode: normal
  rosbag_dir: /path/to/rosbags
  target_dir: /path/to/output_parent

dataset:
  platform_type: "4pro"      # 4pro, 5, or 5w
  eef_type: leju_claw        # leju_claw, rq2f85, or qiangnao
  which_arm: both            # left, right, or both
  task_description: "Pick and Place"

python kuavo_data/CvtRosbag2Lerobot.py

输出目录：/path/to/output_parent/lerobot · 详情见 数据准备

---

🧠 Step 2 — 策略训练

编辑配置文件，例如 configs/train/lerobot/act.yaml：

dataset:
  repo_id: "lerobot/your_dataset"  # 标识名，可任意起
  root: /path/to/your/lerobot      # 本地 lerobot 数据集目录

training:
  resume: false
  output_dir: "outputs/train/act"
  job_name: "act"
  batch_size: 32
  steps: 100000
  save_freq: 20000
  num_workers: 8
  seed: 1000

python kuavo_model/train.py --policy act

📝 常用训练参数

参数	说明
--policy	必填，支持：act diffusion pi0 pi0_fast pi05 gr00t smolvla xvla multi_task_dit wall_x
--mode simple	默认模式，先读 total/<policy>_total.yaml，再用 <policy>.yaml 覆盖常用字段
--mode total	只读取完整配置
--launcher python	默认，单机单卡
--launcher accelerate	单机多卡，需先配置 configs/accelerate/accelerate_config.yaml
--dry-run	只打印解析后的命令和配置，不真正启动训练
--no-timestamp	不为输出目录追加时间戳

📘 更多说明见 LeRobot 模型训练 · 原生模型训练

---

🚁 Step 3 — 推理部署

编辑 configs/deploy/deploy.yaml：

env:
  inference_env: sim                      # sim=仿真, real=真机
  platform_type: "4pro"
  which_arm: both
  eef_type: rq2f85
  ros_rate: 10

inference:
  policy_type: act                        # 策略名称
  pretrained_path: /path/to/checkpoint    # 权重路径
  task_prompt: "robot manipulation"       # VLA 策略需指定 prompt

python kuavo_deploy/eval.py

🔌 外部模型部署

外部模型位于 kuavo_model/external_models/，当前集成：

• openpi · gr00tn1d7 · lingbot-vla · lingbot-vla-v2

均可通过 kuavo_server adapter 接入统一部署流程。使用外部模型时：

1. 先启动模型服务器
2. 在部署配置中设置 inference.policy_type: client

📘 详情见 推理与部署

---

🗂️ 项目结构

.
├── configs/                    # 数据、训练、部署、平台配置
│   ├── data/                   # Rosbag -> LeRobot 数据转换配置
│   ├── train/lerobot/          # LeRobot simple/total 训练配置
│   ├── deploy/                 # 仿真 / 真机部署配置
│   ├── platform/               # Kuavo 平台关节与机器人映射
│   └── accelerate/             # 多卡训练配置
├── kuavo_data/                 # 数据转换与数据处理工具
├── kuavo_model/                # 训练入口与外部模型目录
├── kuavo_deploy/               # ROS 部署、评测、仿真/真机环境
├── kuavo_server/               # 标准化模型服务 adapter
├── third_party/                # LeRobot 等第三方子模块
├── lerobot_patches/            # 上游兼容补丁
└── outputs/                    # 训练与评测输出

📚 文档导航

💬 支持与反馈

我们鼓励通过 GitHub 渠道反馈问题，使之可被搜索、归档，也方便后来者复用。

提交 Issue 前请先：

1. 搜索 已有 Issues 和 常见问题 FAQ，避免重复。
2. 阅读 贡献指南 了解分支策略与 PR 流程。
3. 使用对应的 Issue 模板，填全环境与复现信息。

响应预期： 本项目由乐聚机器人算法团队在工作时间维护。我们会尽力响应所有公开渠道的反馈，但不对修复时间作正式 SLA 承诺；如需企业级保障，请走商业合作邮箱。

乐聚内部成员：内部沟通渠道（外部用户可忽略）

内部沟通流程不公开维护在本仓库，请通过以下入口：

• KDC 用户群（飞书）：日常使用答疑
• 飞书表格：缺陷提报 / 意见反馈 填入飞书表格，将会按严重等级流转（严重缺陷 → 紧急修复；普通缺陷 → 算法部临时方案 + 正式版本修复；意见建议 → 评审后纳入计划）
• 飞书项目：如需新增全新的功能（如新模型接入）走正式需求流程

详细流程请见公司内部 Wiki。

🙏 致谢

本项目构建在以下开源项目和生态之上：

• LeRobot
• OpenPI
• NVIDIA Isaac GR00T
• Lingbot-VLA
• Kuavo 人形机器人软件生态

📄 许可证

本仓库基于 GNU General Public License v3.0 开源。