LeRobot documentation

EnvHub: Hub에서 시뮬레이터 공유

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v0.7.0).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

EnvHub: Hub에서 시뮬레이터 공유

EnvHub 환경은 LeRobot의 규약(자세한 내용은 환경 참조)에 따라 Gymnasium 환경을 구축하는 env.py를 포함하는 Hugging Face Hub 저장소입니다. 이 파일이 통합의 전부입니다. LeRobot에 pull request를 보내거나 패키지를 게시할 필요가 없습니다. Hub에 업로드되면 누구나 다음을 수행할 수 있습니다:

  • lerobot-eval을 사용하여 해당 정책의 evaluate를 수행합니다.
  • lerobot-rollout, lerobot-record, lerobot-teleoperate, lerobot-replay를 사용하여 로봇처럼 구동하며, 시뮬레이션하는 실제 로봇과 교체 가능합니다.
  • lerobot-env-server가 저장소에서 빌드된 Docker 이미지로 서빙하는 경우, 로컬에서, 또는 자체 Python 환경에서 실행하여 시뮬레이터의 종속성이 정책의 종속성과 충돌하지 않도록 할 수 있습니다.

이 페이지에서는 EnvHub 환경을 사용하는 방법과 환경을 작성 및 게시하는 데 필요한 모든 내용을 보여줍니다. Simulation은 명령어를 자세히 다루며, Adding a benchmark은 LeRobot이 CI에서 유지 관리하는 벤치마크를 위한 것입니다.

EnvHub 환경 사용

EnvHub environments collection에서 게시된 환경을 탐색하거나, Hub에서 envhub 태그를 검색하세요.

예제는 lerobot/so101-tabletop-mujoco를 사용합니다. MuJoCo로 시뮬레이션된 이 환경에는 SO-101 암, 네 개의 큐브, 그리고 테이블 위의 상자가 있습니다. 상태와 동작은 use_degrees=True가 설정된 실제 so101_follower의 것과 동일합니다.

서빙

LeRobot 소스 체크아웃(이미지가 이 소스로 빌드됨)에서, 컨테이너에 대한 Docker 및 GPU 접근 권한이 있는 경우:

lerobot-env-server --envhub=lerobot/so101-tabletop-mujoco@<commit> --trust_remote_code=true --docker=true

첫 사용 시 저장소와 requirements.txt를 포함하여 이미지를 빌드하고, localhost:7448에서 서버를 시작합니다. --trust_remote_code=true는 컨테이너 내에서 저장소의 코드를 실행하는 데 동의하는 것입니다. 먼저 env.py, requirements.txt, packages.txt를 읽고, 읽은 커밋을 고정(pinning)하여 해당 코드만 정확히 실행되고 결과가 재현되도록 하세요. 이 옵션이 없으면 서버가 시작을 거부합니다. 클라이언트 측에는 remote extra가 필요합니다(pip install 'lerobot[remote]').

서버는 GPU 워크스테이션이나 클라우드 인스턴스 등 다른 머신에서도 실행할 수 있으며, 정책은 사용자의 머신에서 실행됩니다. 서버 실행 위치를 참조하세요.

정책 평가

lerobot-eval \
  --policy.path=<your SO-101 checkpoint> \
  --env.type=envhub --env.hub_path=lerobot/so101-tabletop-mujoco@<commit> \
  --env.server.endpoint=tcp/127.0.0.1:7448 \
  --rename_map='{"observation.images.front": "observation.images.camera1", "observation.images.wrist": "observation.images.camera2"}' \
  --eval.n_episodes=10 --eval.batch_size=1

Observations은 observation.images.<camera> 및 observation.state로 policy에 전달되며, --rename_map은 이를 checkpoint가 학습될 때 사용된 이름으로 매핑합니다.

로봇으로 구동

동일한 환경은 로봇입니다: --robot.type=sim, 환경 옵션은 --robot.env.* 아래에 있습니다. 실제 SO-101 리더 암으로 실제 팔로워처럼 텔레오퍼레이션하세요:

lerobot-teleoperate \
  --robot.type=sim --robot.env.type=envhub --robot.env.hub_path=lerobot/so101-tabletop-mujoco@<commit> \
  --robot.env.server.endpoint=tcp/127.0.0.1:7448 \
  --teleop.type=so101_leader --teleop.port=/dev/ttyACM0 --teleop.id=my_leader \
  --fps=30 --display_data=true

lerobot-record는 데이터셋을 기록하는 데 동일한 옵션을 사용하며, lerobot-rollout은 정책을 실행하는 데 사용됩니다. 데이터셋은 실제 팔로워가 하듯이, 환경이 선언한 바디인 여기서는 so_follower를 기록합니다. 에피소드, 레이트 및 기록에 대해서는 시뮬레이션 로봇 실행을 참고하세요.

로컬에서 실행

--env.server.endpoint(또는 --robot.env.server.endpoint) 없이 실행하면 환경이 현재 프로세스에서 실행됩니다. requirements.txt를 LeRobot 옆에 설치하고 --env.trust_remote_code=true(--robot.env.trust_remote_code=true)를 추가하세요. 그러면 현재 프로세스가 저장소의 env.py를 실행합니다. 서버로 제공되는 경우 현재 프로세스는 이를 실행하지 않으므로 클라이언트의 동의가 필요하지 않으며, 서버의 --trust_remote_code=true가 이를 처리합니다.

로컬 폴더에서

Hub 저장소가 동작하는 모든 곳에서 env.py가 포함된 폴더도 동작합니다. 작성 중인 환경이든 읽기 위해 클론한 것이든 마찬가지입니다: --env.hub_path=./my-env, --robot.env.hub_path=./my-env, --envhub=./my-env. 결국 코드이므로 동일한 동의가 필요합니다. 이미지를 빌드하지 않고 서빙하려면 --docker=true를 제거하세요. 그러면 서버가 현재 Python 환경에서 실행되며, 해당 폴더의 requirements.txt가 그 환경에 설치됩니다.

lerobot-env-server --envhub=./my-env --trust_remote_code=true                  # in your Python environment
lerobot-env-server --envhub=./my-env --trust_remote_code=true --docker=true    # in an image built from the folder

환경 생성

리포지토리

파일필수콘텐츠
env.py네make_env, 환경, 그리고 선택적으로 LEROBOT_SIM
requirements.txt아니요서버 이미지에 설치해야 하는 env.py가 필요한 Python 패키지
packages.txt아니요서버 이미지에서 설치되는 Ubuntu 패키지, 한 줄에 하나씩
README.md네환경이 시뮬레이션하는 내용, 관찰, 행동, 작업, 보상 및 에피소드 종료 조건, 실행 명령어, 라이선스
기타아니요Scenes, robot models, textures, configs: env.py는 모든 모드에서 자기 자신과 같은 위치에 있는 항목을 찾습니다

Hub에서 모델 저장소로 생성합니다.

Python 및 종속성

LeRobot는 Python 3.12 이상을 필요로 하며, 사용자의 환경도 마찬가지입니다. 로컬에서는 env.py가 LeRobot 프로세스에서 실행되고, 서버 이미지는 Ubuntu 24.04의 Python 3.12를 실행합니다. 구버전 Python만 지원하는 시뮬레이터(예: Python 3.11 기반의 Isaac Sim 5와 Isaac Lab 2)는 어느 쪽에서도 실행할 수 없으므로, Python 3.12를 지원하는 릴리스(예: RoboLab이 사용하는 Isaac Sim 6와 Isaac Lab 3)를 사용하세요.

서버 이미지는 서버에 필요한 것만 포함합니다: torch나 LeRobot의 나머지 부분은 포함되지 않습니다. env.py가 가져오는 모든 항목을 requirements.txt에 나열하고, 시뮬레이터에 torch가 필요하면 torch도 포함하며, 버전을 고정하세요.

make_env

env.py는 make_env(n_envs: int = 1, use_async_envs: bool = False, **kwargs)를 정의해야 하며, 이 함수는 {suite_name: {task_id: vector_env}}를 반환합니다. 각 vector env에는 해당 task의 n_envs개의 환경이 포함됩니다:

def make_env(n_envs: int = 1, use_async_envs: bool = False, **kwargs):
    factory = partial(MyEnv, **kwargs)
    vector_cls = gym.vector.AsyncVectorEnv if use_async_envs else gym.vector.SyncVectorEnv
    return {"my_task": {0: vector_cls([factory] * n_envs)}}
  • 위와 마찬가지로 각 벡터 env를 환경별 팩토리로 빌드한 뒤, 언래핑된 상태로 반환합니다. LeRobot은 팩토리를 받아 환경을 직접 실행합니다(Batches 참조). 커스텀 벡터 래퍼 또는 서브클래스는 조용히 제거되는 대신 거부됩니다. 단일 gym.Env도 task ID 0을 가진 하나의 suite로 허용됩니다.
  • 여러 개의 스위트 또는 작업 ID가 멀티태스크 벤치마크를 구성합니다. lerobot-eval은 작업별, 스위트별, 전체 성공률을 보고합니다. 시뮬레이션 로봇은 --robot.env.task로 지정된 스위트(기본값은 첫 번째)와 --robot.task_id로 지정된 작업을 실행합니다.
  • kwargs는 환경 자체의 옵션입니다. 사용자는 --env.make_env_kwargs='{"episode_length": 900}'로 전달합니다(시뮬레이션 로봇의 경우 --robot.env.make_env_kwargs); 서버는 --sim.kwargs='{make_env_kwargs: {episode_length: 900}}'로 이를 받습니다.
  • env.py는 프로세스당 한 번만 가져오므로, 한 번만 시작할 수 있는 시뮬레이터 애플리케이션(Isaac Sim의 SimulationApp)과 같은 프로세스 전체 상태를 유지할 수 있습니다.

환경

각 환경은 이러한 규약을 따르는 gym.Env입니다. 표준 Gymnasium 환경은 보통 그렇지 않습니다. CartPole의 관측은 평탄한 벡터이고 행위는 이산적이므로 LeRobot은 이를 거부합니다. 이러한 환경을 래핑하여 이 관측 사전과 연속 행위 Box를 반환하도록 하세요.

무엇계약
관찰NumPy 배열의 dict: pixels (HWC uint8 RGB 이미지 하나, 또는 카메라별로 하나씩 담긴 dict), agent_pos (로봇의 상태) 및 선택적으로 environment_state. 다른 배열은 그대로 전달됩니다
액션1차원 연속 Box
task_description정책에 제공되는 언어 지시문(task으로 대체됨)
_max_episode_steps500가 없는 경우 LeRobot이 에피소드를 잘라내는 단계 수 제한
step() 반환에피소드가 종료(성공 또는 실패)되면 terminated, 중간에 중단되면 truncated
info["is_success"]모든 step()에서 작업이 달성되었는지 여부
info["metrics"]선택 사항: 보고할 기타 숫자, {name: float}; lerobot-eval은 에피소드 종료 시점에 해당 값을 취하여 에피소드별로 유지합니다

LeRobot은 관측을 observation.images.<camera>(단일 이름 없는 이미지의 경우 observation.image), observation.state, observation.environment_state에 매핑합니다. 시뮬레이터의 출력을 환경 내에서 이러한 규약으로 변환하세요: 카메라 이미지는 세운 상태로, 상태는 액션과 조인트를 공유하는 경우 액션의 단위와 순서대로 설정합니다.

시뮬레이터가 GPU 또는 EGL 컨텍스트를 할당하는 경우, 워커 프로세스에서 생성된 환경이 오래된 핸들을 상속하지 않도록 __init__가 아닌 첫 번째 reset()에서 컨텍스트를 생성하세요.

LEROBOT_SIM

env.py의 모듈 수준 딕셔너리로 환경을 설명합니다. 로컬 적용 및 서빙 시 모두 적용되며, 모든 키는 선택 사항입니다:

키의미기본값
fps제어 속도: 시뮬레이션 시간 1초당 step() 호출 횟수30
control_mode액션 규약: position, delta 또는 eef_pose"position"
semantics관찰 및 액션 규칙의 이름"envhub-v1"
state_namesobservation.state 구성 요소의 이름, 순서대로state_0, state_1, …
action_names순서대로 나열된 액션 컴포넌트 이름command_0, command_1, …
robot_typerobot_type로 기록되는 시뮬레이션된 본체없음 (datasets 레코드 sim_robot)

기본값이 사용자의 환경과 일치하지 않을 때는 항상 명시적으로 선언하십시오. 알 수 없는 키는 오류를 발생시키며, 가장 가까운 유효한 키 이름을 표시합니다. 서버의 --sim.* 옵션은 이를 오버라이드하며, 예를 들어 --sim.fps=15와 같습니다.

실제 로봇의 쌍둥이 환경을 만들기 위해 LeRobot을 사용하는 경우, 해당 로봇의 이름, 단위 및 robot_type을 사용해야 합니다. 그러면 텔레오퍼레이터가 실제 팔로워를 조작하는 것과 동일한 방식으로 시뮬레이션 로봇을 조작할 수 있으며, 시뮬레이션과 하드웨어에서 기록된 데이터셋이 일치하고, 한 환경에서 학습된 체크포인트가 다른 환경에서도 실행됩니다. SO-101의 경우, shoulder_pan.pos … gripper.pos이며, 각도 단위로 그립퍼는 0에서 100까지의 값을 가지며 robot_type: "so_follower"입니다. LeRobot에 로봇 클래스가 없는 경우, 짧은 snake_case 형식의 robot_type를 선택하세요(panda, sawyer).

완전한 예시

Gymnasium과 NumPy를 제외하고는 다른 의존성이 없는, 타깃으로 이동하는 점입니다. 위의 모든 조건을 충족하며, 시작점으로 복사해 보세요:

# env.py
from functools import partial

import gymnasium as gym
import numpy as np
from gymnasium import spaces

JOINTS = ["x.pos", "y.pos"]

# How LeRobot describes this environment, locally and when served. Every key is optional.
LEROBOT_SIM = {
    "fps": 10,
    "control_mode": "position",
    "state_names": JOINTS,
    "action_names": JOINTS,
}


class ReachEnv(gym.Env):
    """Move a point to a target on a plane. The action is the point's next position, in [-1, 1]."""

    metadata = {"render_modes": ["rgb_array"], "render_fps": 10}

    def __init__(self, image_size: int = 96, episode_length: int = 100):
        super().__init__()
        self.image_size = image_size
        self._max_episode_steps = episode_length
        self.task = "reach"
        self.task_description = "Move the blue point onto the red target."
        image = spaces.Box(0, 255, (image_size, image_size, 3), np.uint8)
        self.observation_space = spaces.Dict(
            {"pixels": spaces.Dict({"top": image}), "agent_pos": spaces.Box(-1, 1, (2,), np.float32)}
        )
        self.action_space = spaces.Box(-1, 1, (2,), np.float32)

    def reset(self, seed=None, options=None):
        super().reset(seed=seed)
        self.point = self.np_random.uniform(-1, 1, 2).astype(np.float32)
        self.target = self.np_random.uniform(-1, 1, 2).astype(np.float32)
        return self._obs(), {"is_success": False}

    def step(self, action):
        self.point = np.clip(np.asarray(action, np.float32), -1, 1)
        distance = float(np.linalg.norm(self.point - self.target))
        success = distance < 0.1
        info = {"is_success": success, "metrics": {"distance": distance}}
        # Ends on success (terminated); LeRobot truncates the episode after _max_episode_steps.
        return self._obs(), -distance, success, False, info

    def _obs(self):
        image = np.full((self.image_size, self.image_size, 3), 255, np.uint8)
        for xy, color in ((self.target, (220, 40, 40)), (self.point, (40, 40, 220))):
            col, row = ((xy + 1) / 2 * (self.image_size - 1)).astype(int)
            image[max(row - 3, 0) : row + 4, max(col - 3, 0) : col + 4] = color
        return {"pixels": {"top": image}, "agent_pos": self.point.copy()}


def make_env(n_envs: int = 1, use_async_envs: bool = False, **kwargs):
    """The EnvHub entry point. `kwargs` come from --env.make_env_kwargs."""
    factory = partial(ReachEnv, **kwargs)
    vector_cls = gym.vector.AsyncVectorEnv if use_async_envs else gym.vector.SyncVectorEnv
    return {"reach": {0: vector_cls([factory] * n_envs)}}

실제 시뮬레이터는 lerobot/so101-tabletop-mujoco (MuJoCo)와 lerobot/so101-tabletop-isaac (Isaac Sim, requirements.txt와 packages.txt를 통해 설치)를 참고하세요. 두 시뮬레이터는 동일한 SO-101 씬을 동일한 관측값, 동작 및 LEROBOT_SIM으로 제공하므로, 동일한 정책과 명령을 양쪽에 적용할 수 있습니다. EnvHub 환경 컬렉션에서 더 많은 시뮬레이터를 찾을 수 있습니다.

배치

lerobot-eval --eval.batch_size=N은 한 번에 N개의 환경에서 작업을 실행하며, make_env는 n_envs=N을 받습니다. 시뮬레이션 로봇은 하나만 실행합니다. 배치의 스텝은 두 가지 방식 중 하나로 진행됩니다.

LeRobot은 단일 환경의 배치로 스테핑을 수행하며, 이것이 기본 동작이며 대부분의 시뮬레이터(MuJoCo, PyBullet, …)에 필요합니다. 단일 환경을 시뮬레이션하는 gym.Env를 작성하고, 위와 같이 make_env에서 n_envs개의 팩토리를 반환하세요. LeRobot은 팩토리로부터 환경을 빌드합니다. --eval.use_async_envs=true(기본값)인 경우, 각 환경은 자체 워커 프로세스에서 실행되며 배치 스테핑이 병렬로 수행됩니다. false인 경우, 모든 환경이 하나의 프로세스에서 순차적으로 실행됩니다. LeRobot은 팩토리만 사용하므로, make_env가 팩토리를 어떤 벡터 클래스로 빌드하든 차이는 없습니다.

시뮬레이터가 전체 배치를 스텝할 때, 즉 Isaac Lab과 같은 GPU 시뮬레이터처럼 모든 환경을 하나의 월드에 유지하고 한 번에 스텝하는 경우입니다. env.py에도 vector_env_fns를 정의하여, 각 태스크당 하나의 팩토리를 반환하고 각 팩토리가 n_envs개의 환경으로 구성된 벡터 환경을 생성하도록 하세요. LeRobot은 make_env 대신 이를 사용합니다:

from functools import partial


def vector_env_fns(task: str, n_envs: int, **make_env_kwargs):
    # {suite_name: {task_id: factory}}, each factory building one vector env of n_envs envs
    return {"suite_1": {0: partial(MyBatchedEnv, n_envs, "Task1"), 1: partial(MyBatchedEnv, n_envs, "Task2")}}

각 벡터 env는 num_envs == n_envs를 만족해야 하며 autoreset를 사용하지 않아야 합니다(metadata["autoreset_mode"] = gym.vector.AutoresetMode.DISABLED). 위 형식으로 배치된 관측값을 반환하고, reset(seed=[...])에서 환경별로 하나의 시드를 받으며, 환경별로 info["is_success"]를 보고합니다. --env.make_env_kwargs는 해당 env에 전달됩니다. 이미 전체 배치를 스텝하므로 --eval.use_async_envs=false로 평가하세요. 워커 프로세스를 사용하면 프로세스 간에 모든 배치를 복사만 하게 되고, 서버를 사용하면 워커에서 시뮬레이터를 두 번째로 구축하게 됩니다.

vector_env_fns는 여러 태스크가 포함된 벤치마크에도 적합합니다. make_env이 호출되면 모든 태스크의 환경이 생성되지만, 실제로 실행되는 태스크의 팩토리만 호출됩니다.

발행 전 테스트

모든 단계에서 Hub 저장소 대신 env.py가 포함된 로컬 폴더를 사용합니다.

  1. LeRobot와 동일한 방식으로 환경을 구축하고, 관찰 키, 형태 및 작업을 확인합니다:

    import numpy as np
    
    from lerobot.envs import HubEnvConfig, make_env
    
    # LeRobot's make_env, which calls the make_env of your env.py
    envs = make_env(HubEnvConfig(hub_path="./my-env", trust_remote_code=True), n_envs=2)
    suite = next(iter(envs))
    env = envs[suite][0]
    obs, info = env.reset(seed=0)
    print({key: (value.shape, value.dtype) for key, value in obs.items()})
    print(env.call("task_description"))
    obs, reward, terminated, truncated, info = env.step(np.zeros(env.action_space.shape, np.float32))
    print(reward, terminated, truncated, info["is_success"])
    env.close()
  2. 로봇으로 확인해 보세요: 상태 및 동작 이름, 그리고 카메라 뷰:

    from lerobot.envs.configs import HubEnvConfig
    from lerobot.robots.sim_robot import SimRobot, SimRobotConfig
    
    robot = SimRobot(SimRobotConfig(env=HubEnvConfig(hub_path="./my-env", trust_remote_code=True)))
    print(robot.robot_type, list(robot.action_features))
    robot.connect()
    observation = robot.get_observation()
    robot.send_action({name: observation[name] for name in robot.action_features})
    robot.disconnect()

    행동이 사용자와 일치하는 텔레오퍼레이터를 사용하면, lerobot-teleoperate --robot.type=sim --robot.env.type=envhub --robot.env.hub_path=./my-env --robot.env.trust_remote_code=true ... --display_data=true를 실행하면 조종하는 동안 Rerun에서 카메라가 표시됩니다.

  3. requirements.txt와 packages.txt를 기반으로 이미지를 빌드하는 폴더에서 서빙을 시작하고, --env.server.endpoint=tcp/127.0.0.1:7448를 사용하여 동일한 검사를 실행합니다:

    lerobot-env-server --envhub=./my-env --trust_remote_code=true --docker=true

    --build=true는 변경된 부분만 다시 빌드합니다. packages.txt가 변경되면 apt 패키지, requirements.txt가 변경되면 requirements, 그 외에는 저장소의 파일만 다시 빌드합니다.

게시

Hub의 모델 저장소에 폴더를 업로드한 다음:

  • 커밋을 기록하고 README의 명령어에 사용하세요. 사용자는 정확히 테스트한 내용을 실행하게 됩니다.
  • README에 저장소에 포함된 모든 것(로봇 모델, 장면, 텍스처)의 라이선스를 명시하고, 참고 결과가 있다면 체크포인트, 해당 리비전, lerobot-eval 명령어 및 달성된 성공률을 함께 기재하세요.
  • Hub에서 환경을 찾을 수 있도록 README의 메타데이터에 tags: [lerobot, envhub]를 추가하세요.
  • EnvHub environments collection에 등록하려면, 저장소 링크를 포함하여 LeRobot의 GitHub에 이슈를 생성하세요.

Updates는 새로운 커밋입니다: 이전 커밋에 고정된 사용자는 검토한 코드를 계속 실행합니다.

참고

Hub 경로

--env.hub_path(서버의 경우 --envhub)는 다음을 받습니다:

패턴로드예시
user/repo메인 브랜치의 env.pylerobot/so101-tabletop-mujoco
user/repo@revision커밋, 브랜치 또는 태그의 env.pylerobot/so101-tabletop-mujoco@4684f500b94d07194f2c860314c4e27cb9349e8c
user/repo:path다른 파일my-org/my-envs:envs/task_a.py
user/repo@rev:path리비전의 다른 파일my-org/my-envs@v1.0:envs/task_a.py
./folder로컬 폴더의 env.py./my-env

버전

환경의 버전은 Hub 커밋입니다. @ 뒤에 오는 리비전(커밋, 브랜치 또는 태그)은 프로세스와 서버에서 하나의 버전을 선택합니다:

  • 프로세스에서 해당 리비전의 저장소가 다운로드되고 캐시됩니다. 리비전을 지정하지 않으면 각 실행은 main의 최신 커밋을 따릅니다.
  • 서버에서, --envhub=user/repo@<revision>은 해당 리비전의 파일로부터 이미지를 빌드하며, 각 리비전은 자체 이미지를 가집니다. 리비전이 지정되지 않으면, 이미지는 빌드 시점의 최신 커밋을 유지하다가 --build=true로 최신 커밋으로부터 다시 빌드될 때까지 유지됩니다.
  • 사용자가 해시 대신 이름을 고정할 수 있도록 릴리스를 태그하고, main은 개발용으로 유지하세요. 논문 및 비교를 위해 커밋을 고정하세요. 태그나 브랜치와 달리 커밋은 이동할 수 없습니다.

옵션

옵션의미
--env.type=envhubEnvHub 환경(시뮬레이션 로봇의 경우 --robot.env.type=envhub)
--env.hub_path리포지토리, Hub 경로를 참조하세요
--env.trust_remote_code프로세스에서 저장소의 코드를 실행하는 데 동의; 서빙될 때는 필요 없음
lerobot-env-server --trust_remote_code=true서버에서 저장소의 코드를 실행하여 서빙하는 데 필요한 동의, --envhub 또는 YAML
--env.make_env_kwargsmake_env의 키워드 인자; 서빙되는 경우 서버에 설정합니다
--env.server.endpointenv 서버에서 환경을 실행합니다. 다른 서버 옵션은 Simulation을 참조하세요
lerobot-env-server --envhub=<path>리포지토리를 서빙합니다. --docker=true를 사용하면 해당 리포지토리를 기반으로 빌드된 이미지에서 서빙합니다
lerobot-env-server --sim.kwargs=...서버의 make_env 옵션, 예: '{make_env_kwargs: {episode_length: 900}}'
lerobot-env-server --sim.<key>=...LEROBOT_SIM 값을 재정의합니다. 예: --sim.fps=15

보안

EnvHub 환경을 실행하면 해당 환경의 코드가 사용자의 권한으로 실행됩니다. LeRobot은 사용자의 명시적인 동의 없이 코드를 실행하지 않습니다: 프로세스에서 trust_remote_code, 서버에서 --trust_remote_code=true. 이를 허용하기 전에:

  1. env.py, requirements.txt 및 packages.txt를 읽습니다.
  2. Pin the commit you read.
  3. 서빙을 선호하는 경우: 컨테이너 내부에서 코드는 이미지와 서버의 구성을 보고, 사용자의 파일은 보지 않습니다. 컨테이너는 호스트 네트워크를 공유합니다.

문제 해결

오류수정
Refusing to run the EnvHub environment코드를 확인한 후 --env.trust_remote_code=true (--robot.env.trust_remote_code=true)를 추가하거나, 환경을 서빙하세요
failed to import because the dependency '<name>' is not installedrequirements.txt를 LeRobot 옆에 설치하거나 환경을 제공합니다
requires an unwrapped SyncVectorEnv or AsyncVectorEnvfactories에서 빌드된 vector env를 wrapper 없이 반환합니다
LEROBOT_SIM has unknown keysLEROBOT_SIM에 나열된 키를 사용하세요. 오류 메시지는 가장 가까운 키 이름을 표시합니다.
The env server at ... runs another environment than this command describes서버는 --env.*가 설명하는 환경과 다른 환경에서 실행됩니다. 동일한 옵션을 전달하거나, 서버를 사용자의 옵션으로 다시 시작하세요.
A sim robot needs an observation.state feature with component names관찰에서 agent_pos를 반환합니다
images must be HWC uint8 with three channels카메라 이미지를 높이 x 너비 x 3, uint8 형식으로 변환
Update on GitHub