1. SO100机械臂硬件搭建全攻略

第一次接触LeRobot机械臂时，我被SO100模块化设计惊艳到了。这种开箱即用的机械臂套件特别适合像我这样的机器人爱好者，不需要从零开始设计机械结构，又能完整体验机器人学习全流程。不过实际组装过程中还是踩了不少坑，这里把经验完整分享给大家。

硬件准备阶段最容易出问题的就是3D打印件。虽然官方提供了STL文件，但不同打印机的公差会导致装配困难。我强烈建议准备以下工具包：

• 小型锉刀套装（处理打印件毛边）
• M3规格的各种长度螺丝（原装配件可能不够）
• 带磁性的精密螺丝刀（狭小空间操作必备）
• 数字游标卡尺（验证关键尺寸）

电机配置是第一个技术难点。在Windows系统下，需要先运行find_motors_bus_port.py定位串口。这里有个隐藏技巧：断开USB线后一定要等待5秒再敲空格，否则可能漏检设备。配置六个舵机时，波特率必须统一设为1000000，ID则按1-6顺序递增。如果遇到电机抖动问题，很可能是电源功率不足，建议使用12V/5A以上的稳压电源。

主从臂安装有个关键差异点：主臂的顶部齿轮需要拆除。这是因为遥操作模式下主臂不需要动力输出，拆除后能减少齿轮磨损。安装时切记先用手转动各关节测试顺畅度，我遇到过谐波减速器卡死的情况，后来发现是轴向预紧力没调好。

2. 机械臂配准与遥操作配置

完成硬件组装后，配准环节直接决定后续操作精度。校准脚本会引导机械臂完成三个关键位姿：

1. Zero Position（所有关节归零）
2. Rotated Position（各轴90度位置）
3. Rest Position（工作待机姿态）

实测发现最容易出错的是舵机朝向。SO100的第六轴舵机安装方向与其他轴相反，如果校准时报"Joint limit exceeded"错误，大概率是这个问题。建议准备手机水平仪APP，确保每个关节的物理角度与软件显示一致。

遥操作测试时有个实用技巧：先用--control.type=test模式检查各轴响应。这个模式会依次驱动单个关节运动，比直接全轴操作更容易发现问题。我遇到过主从臂运动方向相反的情况，后来发现是config.py里的invert_axis参数需要调整。

摄像头配置直接影响后续数据集质量。经过多次测试，推荐双摄像头布局方案：

• 摄像头A：45度俯视角，覆盖工作台全域
• 摄像头B：侧视特写，聚焦夹爪动作 在config.py中需要正确设置camera_resolution和fps，建议先用OpenCV测试帧率，避免后续录制掉帧。

3. 高效数据集采集实战

数据集采集是机器人学习最耗时的环节。经过多次迭代，我总结出高效录制三原则：

1. 任务描述要具体（如"抓取红色乐高块放入蓝色盒子"）
2. 环境背景保持一致性
3. 包含10%的失败操作样本

Hugging Face登录环节容易遇到SSL证书问题。如果huggingface-cli报错，可以尝试先执行：

git config --global http.sslVerify false

录制命令中的几个关键参数需要特别注意：

• warmup_time_s：建议设为5秒以上，避免机械臂刚启动时的抖动
• reset_time_s：根据任务复杂度调整，简单抓取30秒足够
• single_task：描述要包含物体特征和动作目标

遇到视频编码问题时，除了安装x264，还需要检查FFmpeg环境变量。在conda环境下建议用：

conda install -c conda-forge ffmpeg=4.3.1

4. ACT策略训练技巧

在AutoDL服务器训练时，三个配置技巧能大幅提升效率：

1. 开启学术加速后，在~/.bashrc添加：

alias hf='HF_ENDPOINT=https://hf-mirror.com'

2. 使用wandb监控时，设置--wandb.tags=so100方便分类
3. 训练中断后，添加--resume_from_checkpoint=last继续训练

ACT策略的超参数调优很关键，推荐初始配置：

policy: learning_rate: 3e-4 num_epochs: 200 batch_size: 32 hidden_dim: 256 mlp_depth: 3

训练过程常见问题排查：

• Loss不下降：检查数据集是否包含足够多的动作变化
• GPU内存不足：减小batch_size或降低图像分辨率
• 过拟合：添加weight_decay=0.01正则化

5. 策略评估与部署要点

本地评估时最容易忽略的是环境一致性。建议：

1. 保持与训练时相同的照明条件
2. 使用相同型号的摄像头
3. 固定机械臂底座防止晃动

评估命令中的几个实用参数：

• --control.headless=true无图像模式提升性能
• --control.debug_plots=true实时显示决策热图
• --control.max_retries=3自动重试失败任务

遇到策略执行卡顿时，可以尝试量化模型：

from transformers import AutoModel model = AutoModel.from_pretrained("your_model").to('cuda') model = torch.quantization.quantize_dynamic(model, {torch.nn.Linear}, dtype=torch.qint8)

最后提醒大家定期检查机械臂的螺丝紧固情况和线材磨损度，我在连续运行两周后发现第4轴编码器线有断裂迹象，及时更换避免了数据漂移问题。