lerobot README

The project's README from github.com/huggingface/lerobot. As one markdown file: README.md.

LeRobot, Hugging Face Robotics Library

Tests Tests Python versions License Status Version Contributor Covenant Discord

LeRobot aims to provide models, datasets, and tools for real-world robotics in PyTorch. The goal is to lower the barrier to entry so that everyone can contribute to and benefit from shared datasets and pretrained models.

🤗 A hardware-agnostic, Python-native interface that standardizes control across diverse platforms, from low-cost arms (SO-100) to humanoids.

🤗 A standardized, scalable LeRobotDataset format (Parquet + MP4 or images) hosted on the Hugging Face Hub, enabling efficient storage, streaming and visualization of massive robotic datasets.

🤗 State-of-the-art policies that have been shown to transfer to the real-world ready for training and deployment.

🤗 Comprehensive support for the open-source ecosystem to democratize physical AI.

Quick Start

LeRobot can be installed directly from PyPI.

pip install lerobot
lerobot-info

[!IMPORTANT] For detailed installation guide, please see the Installation Documentation.

Robots & Control

Reachy 2 Demo

LeRobot provides a unified Robot class interface that decouples control logic from hardware specifics. It supports a wide range of robots and teleoperation devices.

from lerobot.robots.myrobot import MyRobot

# Connect to a robot
robot = MyRobot(config=...)
robot.connect()

# Read observation and send action
obs = robot.get_observation()
action = model.select_action(obs)
robot.send_action(action)

Supported Hardware: SO100, LeKiwi, Koch, HopeJR, OMX, EarthRover, Reachy2, Gamepads, Keyboards, Phones, OpenARM, Unitree G1, reBot B601.

While these devices are natively integrated into the LeRobot codebase, the library is designed to be extensible. You can easily implement the Robot interface to utilize LeRobot's data collection, training, and visualization tools for your own custom robot.

For detailed hardware setup guides, see the Hardware Documentation.

LeRobot Dataset

To solve the data fragmentation problem in robotics, we utilize the LeRobotDataset format.

from lerobot.datasets.lerobot_dataset import LeRobotDataset

# Load a dataset from the Hub
dataset = LeRobotDataset("lerobot/aloha_mobile_cabinet")

# Access data (automatically handles video decoding)
episode_index=0
print(f"{dataset[episode_index]['action'].shape=}\n")

Learn more about it in the LeRobotDataset Documentation.

SoTA Models

LeRobot implements state-of-the-art policies in pure PyTorch, covering Imitation Learning, Reinforcement Learning, Vision-Language-Action (VLA) models, World Models, and Reward Models, with more coming soon. It also provides you with the tools to instrument and inspect your training process.

Gr00t Architecture

Training a policy is as simple as running a script configuration:

lerobot-train \
  --policy.type=act \
  --dataset.repo_id=lerobot/aloha_mobile_cabinet
Category Models
Imitation Learning ACT, Diffusion, VQ-BeT, Multitask DiT Policy
Reinforcement Learning HIL-SERL, TDMPC & QC-FQL (coming soon)
VLAs Models Pi0, Pi0Fast, Pi0.5, FineART-VLA, GR00T N1.7, SmolVLA, XVLA, EO-1, MolmoAct2, WALL-OSS, EVO1, DM05
World Models VLA-JEPA, LingBot-VA, FastWAM, LaWAM, FLUX 3 Action
Reward Models SARM, TOPReward, Robometer

Similarly to the hardware, you can easily implement your own policy & leverage LeRobot's data collection, training, and visualization tools, and share your model to the HF Hub.

For detailed policy setup guides, see the Policy Documentation. For GPU/RAM requirements and expected training time per policy, see the Compute Hardware Guide.

Inference & Evaluation

Evaluate your policies in simulation or on real hardware using the unified evaluation script. LeRobot supports standard benchmarks like LIBERO, MetaWorld and more to come.

# Evaluate a policy on the LIBERO benchmark
lerobot-eval \
  --policy.path=lerobot/pi0_libero_finetuned \
  --env.type=libero \
  --env.task=libero_object \
  --eval.n_episodes=10

Learn how to implement your own simulation environment or benchmark and distribute it from the HF Hub by following the EnvHub Documentation.

Third-Party Hardware

Beyond the natively supported hardware, the community maintains a growing ecosystem of plugins for other robots, teleoperators, cameras, and sensors - UFACTORY xArm, Universal Robots UR5e, Franka, AgileX Piper, Trossen WidowX, ARX5, I2RT YAM, GELLO, SpaceMouse, Meta Quest, ROS 2 bridges, tactile and depth cameras, and more.

Plugins are auto-discovered by package name: LeRobot imports any installed package prefixed with lerobot_robot_, lerobot_teleoperator_, or lerobot_camera_. Install one and use the type it registers straight from the CLI:

pip install lerobot_robot_<name> lerobot_teleoperator_<name>

lerobot-record \
  --robot.type=<robot_name> \
  --teleop.type=<teleoperator_name> \
  --dataset.repo_id=${HF_USER}/my-dataset

Browse the full list in the Third-Party Robots & Teleoperators and Third-Party Cameras & Sensors documentation.

Resources

Citation

If you use LeRobot in your project, please cite the GitHub repository to acknowledge the ongoing development and contributors:

@misc{cadene2024lerobot,
    author = {Cadene, Remi and Alibert, Simon and Soare, Alexander and Gallouedec, Quentin and Zouitine, Adil and Palma, Steven and Kooijmans, Pepijn and Aractingi, Michel and Shukor, Mustafa and Aubakirova, Dana and Russi, Martino and Capuano, Francesco and Pascal, Caroline and Choghari, Jade and Meftah, Khalil and Ellerbach, Maxime and Moss, Jess and Wolf, Thomas},
    title = {LeRobot: State-of-the-art Machine Learning for Real-World Robotics in Pytorch},
    howpublished = "\url{https://github.com/huggingface/lerobot}",
    year = {2024}
}

If you are referencing our research or the academic paper, please also cite our ICLR publication:

ICLR 2026 Paper 
@inproceedings{cadenelerobot,
  title={LeRobot: An Open-Source Library for End-to-End Robot Learning},
  author={Cadene, Remi and Alibert, Simon and Capuano, Francesco and Aractingi, Michel and Zouitine, Adil and Kooijmans, Pepijn and Choghari, Jade and Russi, Martino and Pascal, Caroline and Palma, Steven and Shukor, Mustafa and Moss, Jess and Soare, Alexander and Aubakirova, Dana and Lhoest, Quentin and Gallou\'edec, Quentin and Wolf, Thomas},
  booktitle={The Fourteenth International Conference on Learning Representations},
  year={2026},
  url={https://arxiv.org/abs/2602.22818}
}

Contribute

We welcome contributions from everyone in the community! To get started, please read our CONTRIBUTING.md guide. Whether you're adding a new feature, improving documentation, or fixing a bug, your help and feedback are invaluable. We're incredibly excited about the future of open-source robotics and can't wait to work with you on what's next—thank you for your support!

SO101 Video

Built by the LeRobot team at Hugging Face with ❤️

lerobot (huggingface/lerobot)

Searching Database…

28.3K ·GitHub
Lerobot
Что это такое?LeRobot — это открытый проект Hugging Face, который предоставляет модели, датасеты и инструменты для робототехники в реальном мире на PyTorch. Его цель — снизить порог входа для создания и развёртывания политик обучения роботов.
Это Python-библиотека, которую я импортирую, или полноценный фреймворк со своим CLI?И то, и другое: это не зависящая от оборудования Python-библиотека с единым интерфейсом класса Robot, а также скрипты и CLI-инструменты для сбора данных, обучения, оценки и визуализации.
Как его установить и начать обучать политику?Установите напрямую из PyPI, затем обучите политику, запустив скрипт с конфигурацией для выбранного оборудования или датасета.
Что нужно помимо самой библиотеки: PyTorch, видеокарта GPU или настоящий робот?Она построена на чистом PyTorch, и большинству политик для разумного времени обучения нужна GPU. Физическое оборудование не обязательно, так как поддерживаются и симуляционные бенчмарки, например LIBERO и MetaWorld.
Работает ли она с моим конкретным роботом из коробки?Нативно интегрирован только определённый набор оборудования (SO100, Koch, Unitree G1 и другие). Для всего остального нужно самостоятельно реализовать интерфейс Robot или установить плагин от сообщества.
Для кого это создано?Для исследователей и инженеров в робототехнике, которые хотят обучать, оценивать и делиться политиками имитационного обучения, RL или VLA на реальных или симулированных роботах.
Какие роботы поддерживаются нативно?Нативно интегрированы SO100, LeKiwi, Koch, HopeJR, OMX, EarthRover, Reachy2, геймпады, клавиатуры, телефоны, OpenARM, Unitree G1 и reBot B601. Поддержку xArm, UR5e, Franka, Piper, WidowX, ARX5, YAM, GELLO и других добавляют плагины от сообщества.
Как устроена структура данных робототехнических датасетов?Формат LeRobotDataset объединяет синхронизированные видео MP4 (или изображения) для зрения с файлами Parquet для данных о состоянии и действиях. Датасеты хранятся на Hugging Face Hub и могут передаваться потоком оттуда.
Какие типы моделей включает LeRobot?Он охватывает имитационное обучение (ACT, Diffusion, VQ-BeT), обучение с подкреплением (HIL-SERL), модели «зрение-язык-действие» (Pi0, Pi0.5, GR00T N1.7, SmolVLA), мировые модели (VLA-JEPA) и модели вознаграждения (SARM).
Что такое LeLab?LeLab — это веб-интерфейс для LeRobot, работающий в браузере. Он позволяет телеуправлять, калибровать, записывать датасеты, воспроизводить записи и обучать SO-манипулятор без работы с CLI.
What are similar projects?dreamforge, EasyWAM, Motus2, Zero-WAM, Zetta-Embodiment, flex-pi, Embodied-AI-Guide, S-Space
Which topics is it in?vision-language-action, imitation-learning, physical-ai, robot, world-models, embodied-ai, robotics, simulation, dataset, reinforcement-learning, huggingface, pytorch
Creator
huggingface
Size
251.8 MB
Stars
28.3K
Updated
CommitOct 16Releasev0.6.1Aug 03
Age
2y
Commits · 90 Days