前言
如友人邓博士所说，“用 Stanford aloha 课题组提供的训练数据，训练他们研发的 Action Chunking Transformer 动作规划模型，训练结果，能用，但是稳定性有待提高
要提高稳定性，看来必须修改 Stanford aloha 的源代码了，Stanford aloha 课题组提供的初代源代码，可读性不太好，改造起来略感吃力，
好消息是，上周 LeRobot 在 Github 上开源了他们的源代码，LeRobot 试图构建机器人的标准化的 APIs，如同 Huggingface 上的 transformers 和 diffusers
目前该项目已经对几个知名的机器人项目的源代码，进行了重构，部分统一了 APIs，其中包括 Stanford aloha 的 ACT 模型，这就大大降低了改造 ACT 模型的工程难度”
第一部分 机器人领域的Transformer架构：LeRobot
5月6日，Hugging Face的机器人项目负责人雷米·卡德内（Remi Cadene）宣布推出LeRobot开源代码库，并形容它对于机器人的意义就如同“Transformer架构之于NLP（自然语言处理）”
Remi Cadene在推文中表示，LeRobot之于机器人就像Transformer架构之于NLP——它提供带有预训练检查点的高级AI模型的简洁实现。他们还复现了来自学术界的 31 个数据集和一些模拟环境，无需实体机器人即可开始使用
Cadene 发布了一些由Github上LeRobot库的代码提供的机器人功能的示例，它们都是在真实数据集上训练的。
比如，在这个数据可视化的例子中，它展示了LeRobot是如何在Return（一个SDK和查看器，用于可视化与多模态数据流交互）上运行的，数据集来自Aloha项目（用于异构架构运行时自适应和安全深度学习的软件框架，主要目标是促进深度学习算法在异构低能耗计算平台上的实现，为最佳算法选择、资源分配和部署提供自动化
LeRobot的另一项可视化是在Mobile Aloha数据集上进行的，旨在完全端到端地学习导航和操作。以下例子展示了LeRobot控制下的两个机器人抓手/手臂之间传递物体：
上述两个数据集都是在机器人公司Trossen Robotics的机械臂上收集的。
当Remi Cadene团队使用ACT策略对LeRobot开源代码库进行测试时，基于LeRobot的机器人在模拟环境下同样表现良好。
ACT策略是一种机器人的动作分块算法，即Action Chunking with Transformers，它使用Transformer编码器合成来自多个视点、联合位置和风格变量的图像，并使用Transformer解码器预测一系列动作，通过预测动作序列来解决高精度领域中的问题。ACT策略可以在新环境干扰下做出反应，并且对一定程度的干扰具有鲁棒性
可以看到，两只机械手分别娴熟地捏起两块不同的积木并堆叠到了一起，证明了ACT策略下LeRobot的有效性
同时，在Diffusion Policy（扩散策略，一种强大的模仿学习算法）和TDMPC Policy（Temporal Difference Learning for Model Predictive Control，一种包含世界模型的强化学习算法）两种策略下，LeRobot同样表现出色，可以不断从与环境的交互中学习
// 待更
