处理超 400GB 机器人数据集时加载卡顿？第三方硬件集成需反复修改核心代码？多 GPU 训练配置复杂耗时？面向开放世界的机器人策略泛化能力不足？这些智能设备研发中的高频痛点，如今都能通过 LeRobot v0.4.0 的重大升级实现突破！作为开源机器人学习领域的核心工具，LeRobot v0.4.0 以数据集重构、仿真扩展、硬件插件化、模型升级四大方向为核心，为智能设备从业人员提供更高效、可扩展、易用的技术方案，助力具身智能（Embodied AI）从实验室走向实际应用。

LeRobot 团队彻底重构了数据集基础设施，推出 LeRobotDataset v3.0，采用全新的分块式 Episode（任务片段）格式与流式读取能力。这一升级为处理 OXE（Open X Embodiment）、Droid 等超大规模数据集提供了范式级解决方案，有效改善了传统数据集加载慢、内存占用高、元数据管理混乱等问题。

Datasets v3.0 核心升级点

1. 分块式 Episode（任务片段）：原生支持 400GB 以上超大规模数据集，可扩展性较前代提升数倍，满足大规模机器人学习数据需求。
2. 高效视频存储与流式读取：视频数据加载速度显著提升，支持流畅的流式访问，无需等待全量下载即可开始训练。
3. 统一 Parquet 元数据管理：摒弃分散的 JSON 文件，所有 Episode（任务片段）的元数据集中存储于结构化 Parquet 文件，查询、修改、管理效率大幅提升。
4. 极致性能优化：数据集初始化时间大幅缩短，内存占用降低 30% 以上，低配设备也能高效处理大规模数据。

官方同步提供了转换脚本，支持现有 v2.1 数据集一键迁移至 v3.0 格式，确保升级过程无数据丢失、无流程中断。更多细节可阅读此前发布的博客文章。

新特性：零代码编辑数据集，拆分合并一键完成

智能设备研发中，数据集筛选、拆分、合并等预处理工作往往耗时费力，LeRobot 新增的数据集灵活编辑工具，让这些操作无需编写一行代码即可完成。

通过命令行工具 lerobot-edit-dataset，开发者可直接实现：

1. 精准删除无效 Episode（任务片段），净化数据集质量。
2. 按比例或索引拆分数据集，快速划分训练集、验证集。
3. 灵活添加 / 移除特征字段，适配不同模型输入需求。
4. 多数据集一键合并，整合分散数据资源。

这些工具彻底简化了数据集预处理工作流，让开发者将更多精力投入核心算法研发。

仿真环境：覆盖 180 + 任务场景，训练无需依赖实体硬件

仿真环境是智能设备研发的核心基础设施，LeRobot 持续扩展仿真能力，为机器人策略训练提供丰富多样的虚拟场景，无需依赖昂贵的实体硬件即可完成大规模测试。

LIBERO 支持：130+VLA 任务基准开箱即用

LeRobot 现已正式支持 LIBERO——VLA（视觉-语言-动作）策略领域规模最大的开源基准之一，涵盖 130 + 种任务场景。这一集成让 LeRobot 成为 VLA 策略评测的首选工具，提供标准化的集成方式与统一评测配置，开发者可直接基于现有基准快速验证模型性能。

Meta-World 集成：50 + 操作任务强化泛化能力

官方已完成 Meta-World 的深度集成，该平台是机器人操作多任务与泛化能力评测的顶尖基准，包含 50 + 种多样化操作任务。配合 Gymnasium ≥ 1.0.0 与 MuJoCo ≥ 3.0.0 的标准化适配，为开发者提供了确定性随机种子与稳健的仿真基础，确保训练结果可复现、可迁移。

代码库：简化开发全流程，新手也能玩转机器人训练

LeRobot 通过优化代码架构与工具链，让机器人控制与训练变得更灵活、更易用，无论是新手开发者还是资深工程师，都能快速解锁数据采集与模型训练的新可能。

全新数据处理流水线：打通 "硬件 - 模型" 数据链路

数据格式不兼容是智能设备研发的常见痛点 —— 机器人传感器输出的原始数据（如关节位置、图像、语言指令），往往无法直接作为 AI 模型的输入；而模型输出的动作指令，也需要适配硬件的特定格式。

针对这一问题，LeRobot 重磅推出 Processors：模块化数据处理流水线，充当 "数据翻译器"，将复杂的数据转换流程拆解为独立步骤。每个 ProcessorStep 仅负责单一工序（如归一化、文本 Token 化、设备迁移），开发者可自由组合步骤，构建适配自身需求的数据流管理方案。

官方还提供两类开箱即用的流水线，进一步降低使用门槛：

1. PolicyProcessorPipeline：面向模型训练，专为高性能训练与推理处理批量张量数据。
2. RobotProcessorPipeline：面向硬件控制，以单条数据（如单次观测、单个动作）为粒度，满足实时机器人控制需求。

这一系统实现了 "任意策略 - 任意机器人" 的灵活互联，确保数据在每一步都处于适配格式，彻底解决数据转换繁琐的痛点。详情可阅读 Processors 入门文档。

多 GPU 训练一键启动，训练效率显著提升

大规模机器人策略训练往往耗时漫长，LeRobot 将 Hugging Face Accelerate 工具直接整合进训练流水线，开发者无需手动配置分布式训练环境，仅需一条命令即可在多块 GPU 上无缝扩展实验：

无论是微调现有策略，还是开展大规模实验，LeRobot 都会自动处理分布式训练的全部复杂性。实测显示，使用多块 GPU 可显著缩短训练时间，助力开发者高效迭代模型。

策略：开放世界泛化能力跃升，跨场景任务无缝适配

PI0 与 PI0.5：跨域泛化的 VLA 模型标杆

作为开源机器人领域的重要里程碑，LeRobot 已正式集成 Physical Intelligence 团队的 pi0 与 pi0.5 策略，这些 VLA（视觉-语言-动作）模型在开放世界泛化问题上实现了突破性进展，解决了传统模型 "场景一变就失效" 的痛点。

pi0.5 的核心优势在于：

1. 开放世界泛化：可快速适应完全陌生的环境与情境，在物理规则、语义理解、环境布局等层面实现跨域适配。
2. 异构数据共训练：融合多模态网页数据、自然语言指令、子任务命令与多环境机器人数据，学习能力更全面。

开发者可在 Hugging Face Hub 上直接获取这些模型：pi0.5_base、pi0_base 及对应的 Libero 微调版本。

GR00T N1.5：NVIDIA 加持的跨硬件结构智能模型

LeRobot 与 NVIDIA 机器人团队深度合作，将 GR00T N1.5 模型正式集成至平台中。该模型是面向泛化能力的开源基础模型，具备跨本体（不同机器人硬件结构）的推理与技能迁移能力，可接收语言、图像等多模态输入，在多样环境中高效执行复杂操作任务，推动通用机器人技术落地。

GR00T N1.5 的核心亮点包括：

1. 泛化推理与技能迁移：作为跨本体（不同机器人硬件结构）基础模型，擅长在未知硬件与环境中快速适配，语言跟随能力显著提升。
2. 大规模异构训练：训练数据涵盖真实人形机器人采集数据、NVIDIA Isaac GR00T Blueprint 生成的合成数据，以及互联网规模视频数据，泛化性更强。

开发者可在 Hugging Face Hub 上获取该模型：GR00T-N1.5-3B。更多信息请查看 NVIDIA 的研究页面与官方 GitHub 仓库。

这些顶尖策略在 LeRobot 中的原生集成，让机器人学习更开放、更可复现。开发者可直接试用模型、分享训练结果，共同推动具身智能技术前沿。

机器人：插件化集成时代来临，硬件连接零门槛

对于智能设备硬件开发者而言，LeRobot 推出的全新插件系统堪称革命性升级 —— 彻底重构了第三方硬件与平台的集成方式，无需修改核心库，仅需一次 pip 安装，即可快速连接任意机器人、相机或遥操作设备。

核心优势

1. 高可扩展性：支持在独立 Python 包中开发自定义硬件插件，适配专属设备需求。
2. 轻量规模化：兼容不断增长的设备生态，同时避免核心库体积膨胀，保障运行效率。
3. 社区友好：大幅降低硬件集成的技术门槛，促进开发者协作与插件共享。

Reachy 2 集成：真实 + 仿真双模式同步支持

借助全新插件系统，LeRobot 已完成 Pollen Robotics 旗下 Reachy 2 机器人的深度集成。该设备同时支持真实机器人控制与仿真测试，开发者可直接开展遥操作与自主演示实验，无需额外配置环境。

手机集成：iOS/Android 直连，遥操作无需专用设备

依托强大的新流水线系统，开发者现在可直接使用手机（iOS/Android）遥操作从动机械臂。手机作为遥操作设备，由 RobotProcessor Pipeline 负责全部数据变换，轻松适配不同动作空间（如末端执行器空间），无需专用控制器即可完成操作。查看示例了解具体用法。

LeRobot v0.4.0 的发布，标志着开源机器人学习在易用性、扩展性和性能上迈出了坚实的一步。从彻底重构的数据集系统到革命性的硬件插件生态，从顶尖 VLA 模型的集成到全面仿真的支持，本次更新的每一项特性都直指开发过程中的核心挑战。

来源：https://huggingface.co/blog/zh/lerobot-release-v040