LeRobot101：ACT / smolVLA / pi0.5 复现

项目简介

以 Hugging Face LeRobot 框架为主线，系统复现 ACT、smolVLA、pi0.5 三个代表性模型，覆盖模仿学习与视觉-语言-动作两大技术路线。项目打通了从遥操作数据采集、策略训练到仿真评估的完整链路，所有复现代码已整理上传至 GitHub。

复现内容

• ACT（Action Chunking with Transformers）：以动作分块预测替代单步动作回归，配合时间集成（temporal ensembling）平滑执行轨迹，复现数据采集、训练与仿真评估流程。
• smolVLA：基于 SmolVLM 视觉-语言骨干的轻量 VLA 模型，在桌面操作任务上完成端到端复现，理解视觉观测与语言指令到动作 token 的映射方式。
• pi0.5：基于 OpenPI 的预训练 VLA 策略，在自有任务配置上进行微调，验证「语言指令 → 视觉-语言理解 → 动作序列输出」的完整执行链路。

评估结果

在 Robosuite 中以脚本专家生成演示数据，训练行为克隆（BC）策略；在连续 20 轮评估中达到 80% 任务成功率，验证了数据质量与动作分块对策略稳定性的作用。