用乐高轮子+开源Robium技能，教Stack-chan学会自主驾驶

一个桌面吉祥物如何变成会跑的机器人

在机器人爱好者社区里，M5Stack 推出的 Stack-chan 一直是个颇受欢迎的小玩具——它本质上是一个带有表情屏幕的桌面吉祥物。但一位开发者把它推向了全新的方向：给它装上乐高（LEGO）电机和轮子，再教它自己学会开车。

这个项目的有趣之处不在于硬件本身的复杂度，而在于它用极低的门槛演示了当下机器人领域最热门的技术路线之一——模仿学习（Learning from Demonstrations）。开发者没有手写任何控制逻辑，而是通过录制人工驾驶演示、训练策略网络，让小车自己学会了循迹和在护栏间行驶。

用模仿学习代替手写控制逻辑

传统的循迹小车通常依赖规则式编程：读取传感器、判断偏差、调整电机。而这个项目采用了 ACT（Action Chunking Transformer）策略来训练小车的行为。

具体流程分三步：

1. 搭建硬件

开发者将 Stack-chan 与乐高电机轮毂（LEGO motor hub）和轮子结合，把一个纯显示类设备改造成了可移动的轮式平台。这种「拼装式」思路降低了硬件成本，也让项目更容易被复现。

2. 采集演示数据

通过人工操控小车完成驾驶，系统记录下这些演示数据。值得一提的是，循迹和在护栏间行驶使用的是两套独立的演示数据集——也就是说，不同任务通过不同的示范来训练，而非一套通用规则。

3. 训练 ACT 策略

基于采集到的数据训练 ACT 策略模型。在监督试验中，小车成功学会了沿线行驶；在另一组演示的基础上，它也尝试了在护栏之间驾驶。

开发者坦言过程中出现了不少「走错方向」的时刻，视频里也如实展示了这些失败片段。这种真实感恰恰是模仿学习落地过程中的常态——数据质量、演示一致性直接决定了策略的表现。

模仿学习（Learning from Demonstrations，LfD）是机器人学习领域的一种范式：与其手动设计控制规则，不如让智能体通过观察人类示范来习得行为策略。其核心假设是"好的行为已经蕴含在示范数据中"，训练目标是让策略网络输出尽可能接近示范者的动作。ACT（Action Chunking with Transformers）是斯坦福大学 2023 年提出的一种具体实现方案，它的关键创新在于"动作分块"（action chunking）——将连续多步动作打包成一个"动作序列块"统一预测，而非逐帧输出单步动作。这样做能有效减少复合误差的累积，并让策略对时序节奏更加鲁棒。ACT 使用 Transformer 架构处理视觉和本体感知输入，最初在机械臂灵巧操作任务上取得了优异成绩，如今正被移植到更多低成本平台上验证其泛化能力。

Robium：开源机器人技能仓库首秀

这个小车项目，实际上是开发者为展示自己新发布的开源项目 Robium 所做的首个示例。

Robium 是一个开源的机器人技能仓库（robotics skills repo），目标是把常见的机器人能力模块化、可复用。在本次项目中，开发者还结合了 AI 智能体（AI agents）来辅助构建软件和训练流程——也就是说，从代码编写到训练环境搭建，AI 工具都参与其中。

这反映出一个正在成型的趋势：机器人开发正在从「从零手写」转向「调用技能模块 + AI 辅助编排」。对于个人开发者和小团队而言，这种模式能显著压缩从想法到原型的时间。项目代码已在 GitHub 开源（robium-ai/robium），感兴趣的开发者可以直接查阅和复现。

「机器人技能仓库」的概念借鉴了软件工程中的包管理思想：将抓取、循迹、避障等常见机器人能力封装为独立、可复用的模块，开发者通过调用和组合这些模块来构建复杂行为，而无需每次从零实现底层逻辑。这一思路与 ROS（Robot Operating System）的节点化设计有相似之处，但更侧重高层语义技能的抽象，而非底层通信中间件。结合大语言模型或 AI 智能体作为"编排层"，技能仓库的价值进一步放大——AI 可以根据任务描述自动选择和拼接技能模块，将自然语言指令转化为可执行的机器人行为流程。Robium 正是在这一背景下出现的早期尝试，其开源性质意味着社区贡献可以持续丰富技能库的覆盖范围。

为什么这个小项目值得关注

抛开萌系外观，这个项目在几个层面具有参考价值。

低成本验证前沿方法。 ACT 策略、模仿学习这些概念通常出现在机械臂、人形机器人等昂贵平台上。用一个改装的桌面玩具就能跑通完整的数据采集—训练—部署闭环，对教学和入门极具意义。

开源生态的实际落地。 Robium 不是停留在概念的框架，而是通过一个能看得见、跑得起来的项目来证明其可用性。开源 + 真实 demo 的组合，往往比单纯的代码仓库更有说服力。

AI 辅助开发的真实样本。 开发者明确提到用 AI 智能体帮助搭建软件和训练设置，这为「AI 如何加速机器人开发」提供了一个具体案例，而非空谈。

小结

从一个会卖萌的桌面吉祥物，到能自主循迹的轮式机器人，这个项目用最朴素的方式展示了模仿学习的可行性。它既是 Robium 开源仓库的技术首秀，也是个人开发者借助 AI 工具快速搭建机器人系统的生动范例。

开发者也在社区发出邀请：有没有人也在小型轮式机器人上做过基于演示的学习？什么方法有效？这类开放式交流，正是开源机器人生态持续进化的动力所在。