花了两天把HOST框架跑通了，写个从零开始的教程

我花了两天试了一下自变量刚开源的HOST框架，就那个让机器人看几十秒视频就能学新技能的东西。作为系统集成商，我第一反应是：这玩意儿能不能真的落到产线上？验证下来，至少在实验环境里，它比我想的靠谱。但前提是——你得把环境搭对。

先给完全不懂的朋友解释一下HOST是干啥的。以前让机器人学一个新动作，比如抓一个没见过的形状的零件，你得写代码、调参数、标数据，一个动作折腾一两天算快的。HOST框架的意思是，你拿手机拍一段几十秒的视频，人怎么操作，机器人看着学，然后就能模仿着做。框架是开源的，代码和模型都公开，也就是说你可以自己下载、部署、跑。

第一天：搭环境，踩了第一个坑

我是在一台Ubuntu 22.04的工控机上跑的，配置是i7-12700、32G内存、RTX 3060 12G显存。官方文档建议至少16G显存的显卡，但我手头只有3060，想着试试看。

第一步，去自变量官网（x2robot.com）的GitHub仓库把代码拉下来。直接在终端执行：

然后装依赖。官方推荐用conda创建虚拟环境，避免和系统Python冲突。我建议新手一定按这个来，别图省事直接pip install，后面会哭。

这里踩了第一个坑。requirements.txt里有个torch的版本是2.1.0+cuda118，但我的显卡驱动是535版本，cuda版本是12.2。直接装会报错说cuda版本不匹配。解决办法：先装torch，手动指定cuda版本。

装完再跑requirements.txt，把torch那行注释掉，剩下的包就能正常装了。

第三天：跑通了第一个demo

环境搭好之后，官网有一个预训练好的模型可以直接下载，大概4.3G。我不建议自己从头训练，新手没那个必要。下载命令：

把模型文件放到 checkpoints/ 目录下。

然后准备视频。我拍了一段自己用手抓取一个螺丝刀的视频，大概45秒，iPhone拍的，横屏1080p，30帧。拍的时候注意：背景别太乱，手部动作要清晰，最好固定机位别抖。

运行推理命令：

如果一切正常，你会看到终端开始输出帧率信息，然后弹出一个窗口，显示机器人手臂模型在模仿你的动作。第一次看到那个画面，说实话挺震撼的——机器人真的在学你抓螺丝刀的动作，而且不是简单复制，是理解了“抓取”这个意图。

但这里又踩了第二个坑。我一开始录的视频分辨率是4K，太大了，跑了大概40秒才出结果，而且显存直接爆了。后来压缩到1080p才正常。官方建议输入视频分辨率不高于1920x1080，帧率30fps以内。

一周后：试着让它学一个产线动作

熟悉了基本流程之后，我开始想能不能让它学一个产线上常见的动作——从料箱里抓取一个螺栓。我录了一段视频，人站在工位前，从料箱里取出一颗M8螺栓，放到定位夹具上。

这次跑完，机器人确实能复现这个动作，但精度还不够。抓取位置偏差大概在2-3厘米，对于产线来说这个误差太大了。不过让我意外的是，它学会了“到料箱里取东西”这个语义，而不是单纯复制轨迹。之前用传统视觉抓取，换一个零件位置就要重新标定，HOST框架至少不需要重新标数据，这一点我觉得是真正的突破。

学完这个，下一步可以试什么

如果你跑通了上面的demo，下一步可以试试自己录一个稍微复杂的动作，比如“拿起螺丝刀然后拧一下”。你会发现HOST框架对连续动作的支持比预想的好，但手部遮挡严重的时候会掉帧。另外，如果你有真实的机器人（比如发那科或库卡的小型协作臂），可以试试把输出动作映射到真实机器人上，这个才是真正的落地场景。