利用ai 高效学习，通常半个月能学会plc 加机器视觉
以下是运动控制这么份，大家主要是先会采集数据，标记数据就好，至于训练和使用这些都 可交给ai 来完成
以下主要是搭环境，我是任何技术的入门必做，
详细操作可以bibi 上查对应视频
LingBot-VLA（灵波 VLA）完整使用 + 微调训练教程
LingBot-VLA 是蚂蚁灵波开源 VLA 具身模型（视觉 - 语言 - 动作） ，基座 4B，只需要 150 条真机示教数据就能微调适配新机械臂（SO100 / 乐聚 / 自研臂） ，分：环境安装→权重下载→推理使用→数据集制作→后训练微调→真机部署五大步骤。
硬件底线：单卡≥24G 显存（3090/4090/A6000）；推荐 4090 (24G) 起步；系统优先 Ubuntu22.04/24.04，Windows 可用 WSL2。
为了录这个课我先买了一张显卡，后面我们还会续更新
一、新建 Conda 环境 & 安装依赖（固定 Python3.12，别用 3.8/3.10，会依赖冲突）
打开 Anaconda Prompt / 终端，逐条执行：
bash
# 1.创建专属环境
conda create -n lingbotvla python=3.12 -y
conda activate lingbotvla
# 2.拉取源码
git clone https://github.com/Robbyant/lingbot-vla.git
cd lingbot-vla
# 3.一键安装全依赖（含torch2.8、CUDA12.8、flash-attn、lerobot）
bash install.sh坑点：
install.sh编译flash-attn2.8.3 很慢，编译失败就手动装预编译包：pip install flash-attn --no-build-isolation
二、下载模型权重（国内优先魔搭 ModelScope，避开 HF 翻墙）
需要两个权重：LingBot-VLA-4B 基座 + Qwen2.5-VL-3B-Instruct（视觉语言底座）
1、安装下载工具
bash
pip install modelscope huggingface_hub -i https://pypi.tuna.tsinghua.edu.cn/simple2、魔搭一键下载（推荐）
bash
# 1）下载LingBot-VLA-4B主模型
modelscope download --model Robbyant/LingBot-VLA-4B --local-dir ./lingbot-vla-4b
# 2）下载Qwen2.5-VL基座
modelscope download --model Qwen/Qwen2.5-VL-3B-Instruct --local-dir ./Qwen2.5-VL-3B-Instruct下载完成目录结构：
plaintext
lingbot-vla/
├─ lingbot-vla-4b/ # VLA主权重
├─ Qwen2.5-VL-3B-Instruct/ # 多模态底座三、快速使用：本地推理（仿真 / 单步测试，不用机器人硬件）
方式 1：命令行单指令测试（输入文字指令 + 图片，输出机器人动作）
bash
python infer_single.py \
--model_path ./lingbot-vla-4b \
--tokenizer_path ./Qwen2.5-VL-3B-Instruct \
--image_path ./test.jpg \
--prompt "把红色方块夹到盒子里"输出：关节动作序列（6/7/14 维机械臂关节值）
方式 2：RoboTwin 仿真部署（无实体机械臂，软件仿真运行）
bash
# 启动仿真服务端
bash run_server.sh
# 新开终端启动仿真客户端，自动加载VLA控制虚拟机械臂
bash run_robotwin_client.sh打开可视化界面，输入自然语言：拿起水杯放到桌面右侧，虚拟机械臂自动执行。
方式 3：真机硬件部署（SO100 / 乐聚机械臂）
采用WebSocket C/S 架构：
- 服务端：
bash run_server.sh（跑 VLA 大模型，GPU 端） - 机械臂客户端：在机械臂控制器运行驱动脚本，自动采集摄像头画面 + 发送指令，接收模型动作控制电机。
四、训练（核心：后训练微调，不用从零预训练，只用少量自有示教数据）
LingBot-VLA不做全参数预训练 ，官方只开放后训练 (Post-training 微调)，150 条演示数据即可适配新任务 / 新机械臂。
步骤 1：采集 & 制作数据集（必须 LeRobot 数据集格式）
两种采集方案：
- 真机示教采集（推荐）：手动拖动机械臂复现任务（如夹取、堆叠），相机录画面 + 同步记录关节数据，工具自动打包为 LeRobot 数据集；
- 仿真采集 ：RoboTwin 仿真内录制轨迹生成数据集。数据集目录示例：
./data/my_task_data/（内含 episode 录像 + 关节 json）
步骤 2：配置机器人 yaml（适配自己机械臂关节维度）
复制模板修改：
bash
cp configs/robot_configs/robotwin.yaml configs/robot_configs/my_arm.yaml修改 yaml：关节数量、观测维度、动作归一化范围（关键！训练前必须算数据均值方差）。
步骤 3：数据集统计归一化（必做，模型读取数据前提）
bash
python tools/compute_norm_stats.py \
--dataset_path ./data/my_task_data \
--robot_cfg configs/robot_configs/my_arm.yaml生成norm_stats.json放到数据集目录。
步骤 4：启动微调训练（单卡 / 多卡 FSDP 分布式）
单卡 4090 训练命令（最常用）
bash
export PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True
bash train.sh tasks/vla/train_lingbotvla.py ./configs/vla/finetune_single.yaml \
--model.model_path ./lingbot-vla-4b \
--model.tokenizer_path ./Qwen2.5-VL-3B-Instruct \
--data.train_path ./data/my_task_data \
--data.robot_config configs/robot_configs/my_arm.yaml \
--train.output_dir ./output/my_finetune_model \
--train.micro_batch_size 2多卡分布式（2/4/8 卡 A6000，FSDP 自动分片）
bash
torchrun --nproc_per_node=4 tasks/vla/train_lingbotvla.py ...（同上参数）出现
Doing Post Training即正式开始微调，训练完权重保存在output/my_finetune_model。
步骤 5：离线评估 & 导出微调后模型
bash
# 离线测试数据集成功率
python eval_vla.py --ckpt ./output/my_finetune_model --eval_data ./data/my_task_data
# 导出可用推理权重
python export_ckpt.py --input_ckpt ./output/my_finetune_model --save_dir ./my_final_vla五、常用避坑总结,
- 版本锁死：Python=3.12、CUDA=12.8、Pytorch=2.8，不要混用你之前 labelImg 的 py3.8 环境；
- 显存不足 ：调小
micro_batch_size=1，开启--train.gradient_checkpointing true； - 动作跑偏 ：90% 原因是yaml 关节配置错误 / 没做 norm 归一化，重新跑 compute_norm_stats；
- 国内下载慢：全程用 ModelScope 替代 HuggingFace 下载权重。