# unitree_lerobot：G1 遥操作数据转换 LeRobot 格式并训练 / 部署策略 > 原文链接：https://robotics.hellobike.com/tutorials/unitree-il-lerobot-g1-dataset-train > 频道：tutorials | 更新日期：2026-10-22 | 标签：unitree_lerobot, LeRobot, G1, 数据转换, 策略训练, 模型部署 > 核心摘要：本教程按文档串起 unitree_lerobot 实操流程：安装 LeRobot 与 DDS 通信依赖，加载或整理 G1 遥操作数据，转换为 LeRobot 数据集，训练多种策略，并在真机或仿真环境中运行评测。 # unitree_lerobot：G1 遥操作数据转换 LeRobot 格式并训练 / 部署策略 > 本文依据以下官方文档整理：[raw.githubusercontent.com/unitreerobotics/unitree_IL_lerobot](https://raw.githubusercontent.com/unitreerobotics/unitree_IL_lerobot/main/README.md)。命令与版本以文档当前版本为准。 ## 前置条件 - Unitree G1 humanoid robot；机械臂参数示例为 G1_29、G1_23；末端执行器示例为 dex3、dex1、inspire1、brainco - LeRobot datasets version 2.0 and above - conda 环境：unitree_lerobot，python=3.10 - 依赖：pinocchio、ffmpeg=7.1.1、LeRobot、unitree_lerobot - DDS communication 需要安装 unitree_sdk2_python - 若使用数据编辑器，需要安装 PyQt5 - 遥操作采集数据来自 avp_teleoperate，JSON 数据目录示例为 $HOME/datasets/task_name ## 1. 1. 安装 LeRobot 与 unitree_lerobot 先克隆带子模块的源码，创建 `unitree_lerobot` conda 环境，并安装 LeRobot 与本项目。文档中的 `lerobot` 目录对应训练代码，其 commit version number 为 `0878c68`。 ```bash ## Clone the source code git clone --recurse-submodules https://github.com/unitreerobotics/unitree_lerobot.git ## If already downloaded: git submodule update --init --recursive ## Create a conda environment conda create -y -n unitree_lerobot python=3.10 conda activate unitree_lerobot conda install pinocchio -c conda-forge conda install ffmpeg=7.1.1 -c conda-forge ## Install LeRobot cd unitree_lerobot/lerobot && pip install -e . ## Install unitree_lerobot cd ../../ && pip install -e . ``` ## 2. 2. 安装 Unitree DDS 通信依赖 在 Unitree 机器人上进行 `DDS communication` 时，需要安装 `unitree_sdk2_python`。这一步独立于 LeRobot 安装，用于后续真机推理与评测相关通信。 ```bash git clone https://github.com/unitreerobotics/unitree_sdk2_python.git cd unitree_sdk2_python && pip install -e . ``` ## 3. 3. 加载并可视化示例数据集 可直接使用 Hugging Face 上的 `unitreerobotics/G1_Dex3_ToastedBread_Dataset`。默认下载位置为 `~/.cache/huggingface/lerobot/unitreerobotics`；若加载本地数据，修改 `root` 参数。 ```bash cd unitree_lerobot/lerobot python src/lerobot/scripts/lerobot_dataset_viz.py \ --repo-id unitreerobotics/G1_Dex3_ToastedBread_Dataset \ --episode-index 0 ``` ## 4. 4. 编辑采集后的遥操作数据 采集完成后，可用项目内的数据编辑器处理质量问题：裁剪 episode 中多余片段，或删除失败 episode。启动前安装 `PyQt5`，再选择数据集路径，例如 `test_dataset/`。 ```bash conda activate unitree_lerobot pip install PyQt5 ``` ```bash cd data_editor python data_editor_EN.py ``` ## 5. 5. 排序重命名并转换为 LeRobot 格式 LeRobot 数据集建议从 `episode_0` 开始顺序连续命名。先对 `$HOME/datasets/task_name` 排序重命名，再把 `Unitree JSON` 数据转换为 `LeRobot` 格式。 ```bash python unitree_lerobot/utils/sort_and_rename_folders.py \ --data_dir $HOME/datasets/task_name ``` ```bash ## --raw-dir Corresponds to the directory of your JSON dataset ## --repo-id Your unique repo ID on Hugging Face Hub ## --push_to_hub Whether or not to upload the dataset to Hugging Face Hub (true or false) ## --robot_type The type of the robot used in the dataset (e.g., Unitree_Z1_Single, Unitree_Z1_Dual, Unitree_G1_Dex1, Unitree_G1_Dex3, Unitree_G1_Brainco, Unitree_G1_Inspire,Unitree_G1_Dex1_Sim) python unitree_lerobot/utils/convert_unitree_json_to_lerobot.py \ --raw-dir $HOME/datasets \ --repo-id your_name/repo_task_name \ --robot_type Unitree_G1_Dex3 \ --push_to_hub ``` ## 6. 6. 训练策略模型 进入 `unitree_lerobot/lerobot` 后按策略类型选择训练命令。文档给出 `act`、`diffusion`、`pi0`、`pi05`、`groot`，示例数据集均为 `unitreerobotics/G1_Dex3_ToastedBread_Dataset`。 ```bash cd unitree_lerobot/lerobot python src/lerobot/scripts/lerobot_train.py \ --dataset.repo_id=unitreerobotics/G1_Dex3_ToastedBread_Dataset \ --policy.push_to_hub=false \ --policy.type=act ``` ```bash cd unitree_lerobot/lerobot python src/lerobot/scripts/lerobot_train.py\ --dataset.repo_id=unitreerobotics/G1_Dex3_ToastedBread_Dataset \ --policy.push_to_hub=false \ --policy.type=diffusion ``` ```bash cd unitree_lerobot/lerobot python src/lerobot/scripts/lerobot_train.py \ --dataset.repo_id=unitreerobotics/G1_Dex3_ToastedBread_Dataset \ --policy.push_to_hub=false \ --policy.type=pi0 ``` ```bash cd unitree_lerobot/lerobot python src/lerobot/scripts/lerobot_train.py \ --dataset.repo_id=unitreerobotics/G1_Dex3_ToastedBread_Dataset \ --policy.type=pi05 \ --output_dir=./outputs/pi05_training \ --job_name=pi05_training \ --policy.pretrained_path=lerobot/pi05_base \ --policy.compile_model=true \ --policy.gradient_checkpointing=true \ --policy.dtype=bfloat16 \ --policy.device=cuda \ --policy.push_to_hub=false ``` ```bash cd unitree_lerobot/lerobot python src/lerobot/scripts/lerobot_train.py \ --dataset.repo_id=unitreerobotics/G1_Dex3_ToastedBread_Dataset \ --output_dir=./outputs/groot_training \ --policy.push_to_hub=false \ --policy.type=groot \ --policy.tune_diffusion_model=false \ --job_name=groot_training ``` ## 7. 7. 在真机或仿真中评测部署 训练后用 `eval_robot` 下脚本评测。真机测试使用 `eval_g1.py`；仿真环境使用 `eval_g1_sim.py`，并可设置 `--save_data`、`--task_dir`、`--max_episodes`。 ```bash ## --policy.path: Specifies the path to the pre-trained model, used for evaluating the policy. ## --repo_id: The repository ID of the dataset, used to load the dataset required for evaluation. ## --root: The root directory path of the dataset, defaults to an empty string. ## --episodes: The number of evaluation episodes; setting it to 0 uses the default value. ## --frequency: The evaluation frequency (in Hz), used to control the time step of the evaluation. ## --arm: The model of the robotic arm, (e.g., G1_29, G1_23). ## --ee: The type of end-effector, (e.g., dex3, dex1, inspire1, brainco). ## --visualization: Whether to enable visualization; setting it to true enables it. ## --send_real_robot: Whether to send commands to the real robot. python unitree_lerobot/eval_robot/eval_g1.py \ --policy.path=unitree_lerobot/lerobot/outputs/train/2025-03-25/22-11-16_diffusion/checkpoints/100000/pretrained_model \ --repo_id=unitreerobotics/G1_Dex3_ToastedBread_Dataset \ --root="" \ --episodes=0 \ --frequency=30 \ --arm="G1_29" \ --ee="dex3" \ --visualization=true \ ``` ```bash ## --save_data: Allows recording data while running inference. At present, this option is limited to the sim environment. ## --task_dir: the directory where data is stored ## --max_episodes: the maximum number of inference runs per task; if exceeded, the task is considered failed by default python unitree_lerobot/eval_robot/eval_g1_sim.py \ --policy.path=unitree_lerobot/lerobot/outputs/train/2025-03-25/22-11-16_diffusion/checkpoints/100000/pretrained_model \ --repo_id=unitreerobotics/G1_Dex3_ToastedBread_Dataset \ --root="" \ --episodes=0 \ --frequency=30 \ --arm="G1_29" \ --ee="dex3" \ --visualization=true \ --save_data=false \ --task_dir="./data" \ --max_episodes=1200 ``` ## 验证是否跑通 可通过 `lerobot_dataset_viz.py` 打开 `unitreerobotics/G1_Dex3_ToastedBread_Dataset` 的 episode 可视化确认数据可读；数据编辑器能选择数据集路径并执行裁剪或删除；转换脚本完成后可用训练命令读取 `--dataset.repo_id`；评测时 `--visualization=true` 用于启用可视化。 ## 文档里点名的注意事项 - Hugging Face 数据集默认下载位置是 `~/.cache/huggingface/lerobot/unitreerobotics`；加载本地数据时需要修改 `root` 参数。 - 生成 LeRobot 数据集时，建议确保数据命名从 `episode_0` 开始顺序且连续。 - `--push_to_hub` 用于控制是否上传数据集到 Hugging Face Hub，取值为 true 或 false。 - `Unitree_G1_Dex1_Sim` 是 unitree_sim_isaaclab 中用于数据采集的 robot type，头部配备单视点相机。 - 真机测试前，文档要求打开 image_server。 - `--episodes=0` 表示使用默认值。 - `--save_data` 目前仅限 sim environment。 - `--max_episodes` 超过后，任务默认被视为 failed。 ## 原始参考来源 (Sources) - [raw.githubusercontent.com/unitreerobotics/unitree_IL_lerobot/main/README.md](https://raw.githubusercontent.com/unitreerobotics/unitree_IL_lerobot/main/README.md)