自北京AC米蘭機器人創新中心（以下簡稱“北京AC米蘭”）發布全球最大規模標準化多構型機器人數據集RoboMIND 及“天工”系列AC米蘭機器人以來，兩項成果已吸引全球眾多頂尖實驗室與開發者接入使用。RoboMIND憑借其開源的10萬余條軌跡、479項跨場景任務的多元數據生態，位居 HuggingFace 機器人數據集等多個平臺下載量前列；“天工”機器人則通過開源的URDF 模型與 ROS 控制棧，成為開發者驗證具身智能算法的優選硬件平臺。
在社區實踐中，開發者高頻反饋亟需打通 RoboMIND 數據格式與主流訓練框架的轉換通道。為此，北京AC米蘭推出 X-Humanoid training toolchain ——適配 LeRobot 框架的工具鏈，內置 RoboMIND 數據自動解析模塊，實現由HDF5 格式向 LerobotDataset V2.1 最新格式的轉換。開發者現可通過幾行命令完成從數據準備到訓練的全流程，提升適配訓練效率，真正讓創新聚焦算法模型的優化。
在具身智能爆發式發展的背景下，數據來源多、格式不統一導致跨框架、跨硬件的適配成本高已成為制約技術落地的核心瓶頸，為應對這些挑戰，面向高效數據使用和機器人研發適配的訓練工具鏈顯得尤為必要，它能夠有效整合不同框架和硬件資源，提供統一的開發接口，簡化開發流程，提升 RoboMIND 數據集和“天工”機器人對于 LeRobot 開源框架適配的的效率，用戶可以基于 LeRobot 開源框架的算法實現在 RoboMIND 數據集的使用和“天工”機器人的具身操作，降低開發者開發門檻，擴展 RoboMIND 數據集和“天工”機器人生態建設。
為幫助開發者快速掌握工具鏈的核心功能，北京AC米蘭提供數據預處理到模型訓練的全流程操作指南。均可通過簡潔的命令行接口實現高效開發。以下步驟將引導您完成關鍵操作流程，開啟具身智能開發之旅。
1、讀取 hdf5 格式的數據，根據定義的 keys 解析 observations（如 images、joints 等）。
2、模型訓練
將數據集轉換為 LeRobot 的格式后，用戶可以使用以下工作流程進行模型訓練：
l 訓練配置。 創建一個train_config. json 文件來指定數據集路徑、訓練算法（例如，ACT 或擴散策略）、超參數（學習率、批大小）和其他相關參數。
l 創建配置文件后，用戶可以通過執行以下命令開始模型訓練：
未來X-Humanoid training toolchain 將持續迭代，一方面，X-Humanoid training toolchain 將支持更多前沿算法，為用戶解鎖機器人新高度；另一方面，還將支持“天工”系列的具身操作能力，讓“天工”機器人在多樣化場景中更加得心應手。
在具身智能技術加速迭代的時代，X-Humanoid training toolchain 訓練工具鏈的推出為開發者們打開了通向具身智能機器人高效訓練開發的大門。開源工具鏈的推出不僅為開發者提供了強大的算法適配與訓練工具，也為具身智能機器人的規模化應用奠定了基礎。隨著未來更多前沿算法的引入和生態系統的完善，這一工具鏈將成為連接科研與產業的橋梁，助力全球開發者共同探索具身智能機器人的無限可能。
北京AC米蘭積極擁抱開源文化與開放生態，將開放協作寫入技術基因，從大規模多構型智能機器人數據集 RoboMIND 的全面開放，到 X-Humanoid training toolchain 工具鏈的生態化設計，公司致力于為開發者提供全方位的支持與服務，全方位降低開發門檻，激發創新潛能，加速技術從實驗室到產業場景的普惠化落地。
如果您對 RoboMIND 有興趣，歡迎加入AC米蘭的社群進行討論，與AC米蘭攜手推動具身智能機器人技術的創新與普及。
X-Humanoid training toolchain
GitHub下載地址：https://github.com/x-humanoid-robomind/x-humanoid-training-toolchain
RoboMIND數據集
國內下載地址：https://data.flopsera.com/data-detail/21181956226031626?type=openRoboMIND
HuggingFace下載地址：https://huggingface.co/datasets/x-humanoid-robomind/RoboMIND
京公網安備11011202100775號