北京人形开源工具链，开启 RoboMIND 数据集与“天工”机器人高效应用新范式

在社区实践中，开发者高频反馈亟需打通 RoboMIND 数据格式与主流训练框架的转换通道。为此，北京人形推出 X-Humanoid training toolchain ——适配 LeRobot 框架的工具链，内置 RoboMIND 数据自动解析模块，实现由HDF5 格式向 LerobotDataset V2.1 最新格式的转换。开发者现可通过几行命令完成从数据准备到训练的全流程，提升适配训练效率，真正让创新聚焦算法模型的优化。

在具身智能爆发式发展的背景下，数据来源多、格式不统一导致跨框架、跨硬件的适配成本高已成为制约技术落地的核心瓶颈，为应对这些挑战，面向高效数据使用和机器人研发适配的训练工具链显得尤为必要，它能够有效整合不同框架和硬件资源，提供统一的开发接口，简化开发流程，提升 RoboMIND 数据集和“天工”机器人对于 LeRobot 开源框架适配的的效率，用户可以基于 LeRobot 开源框架的算法实现在 RoboMIND 数据集的使用和“天工”机器人的具身操作，降低开发者开发门槛，扩展 RoboMIND 数据集和“天工”机器人生态建设。

为帮助开发者快速掌握工具链的核心功能，北京人形提供数据预处理到模型训练的全流程操作指南。用户可通过简洁的命令行接口实现高效开发。以下步骤将引导您完成关键操作流程，开启具身智能开发之旅。

1、读取 hdf5 格式的数据，根据定义的 keys 解析 observations（如 images、joints 等）。

1. cd scripts
   
2. sh convert.sh #Modify the path and args.
   
3. 
   
4. --config
   
5. Description: Path to the configuration JSON file containing settings for the application.
   
6. --repo_id
   
7. Description: ID for the dataset.
   
8. --src_root
   
9. Description: Source directory containing raw input data files.
   
10. --tgt_path
    
11. Description: Target directory path for processed output files.
    
12. --task_name
    
13. Description: Identifier for the current processing task.
    
14. --fps
    
15. Description: Frames per second setting for video processing operations.
    
16. --robot_type
    
17. Description: Identifier for robot hardware platform.
    

复制代码

2、模型训练

将数据集转换为 LeRobot 的格式后，用户可以使用以下工作流程进行模型训练：

• l 训练配置。 创建一个train_config. json 文件来指定数据集路径、训练算法（例如，ACT 或扩散策略）、超参数（学习率、批大小）和其他相关参数。
  

• l 创建配置文件后，用户可以通过执行以下命令开始模型训练。
  

1. export HF_LEROBOT_HOME=PATH_TO_LEROBOT_HOME
   
2. python lerobot/scripts/train.py --config_path=PATH_TO_CONFIG

复制代码

未来X-Humanoid training toolchain 将持续迭代，一方面，X-Humanoid training toolchain 将支持更多前沿算法，为用户解锁机器人新高度；另一方面，还将支持“天工”系列的具身操作能力，让“天工”机器人在多样化场景中更加得心应手。

GitHub仓库地址：https://github.com/x-humanoid-robomind/x-humanoid-training-toolchainRoboMIND

RoboMIND数据集下载：

• 国内下载地址
• HuggingFace下载地址