Strands Robots conecta la captura, el entrenamiento y el despliegue de robots mediante Storage Buckets

Hugging Face publicó el 13 de agosto de 2026 un recorrido por el flujo de datos de Strands Robots, una propuesta que integra Strands Agents, LeRobot y Hugging Face Storage Buckets para conectar la captura de demostraciones robóticas con el entrenamiento y el despliegue de políticas. El proceso mantiene los datos en el formato de disco de LeRobot durante todas sus etapas.

Strands Robots es un SDK de código abierto de AWS, con licencia Apache 2.0, que expone abstracciones para robots, simulación y la pila de LeRobot como AgentTools que pueden componerse dentro de un agente de Strands. El SDK utiliza la factoría Robot() para resolver distintos modelos a través de un registro que incluye brazos, humanoides, bases móviles y manos. El artículo emplea el SO-100 en el ejemplo y también menciona el SO-101 para el recorrido con hardware físico.

El flujo parte de un agente capaz de registrar una demostración y enviarla al Hugging Face Hub. La propuesta descrita busca ejecutar ese ciclo de forma continua: recopilar episodios durante el día, entrenar una política con el conjunto de datos acumulado, desplegarla y recoger nuevas demostraciones para mejorarla. Según el artículo, repetir estas operaciones sobre repositorios de datos convencionales puede provocar transferencias redundantes, ya que el conjunto completo se copia antes de cada entrenamiento y los nuevos checkpoints deben enviarse mientras llegan más grabaciones.

Para la fase de recopilación, el agente registra un LeRobotDataset y lo sincroniza con un Storage Bucket. Estos repositorios de almacenamiento de objetos, respaldados por Xet, son mutables y no están versionados. Fueron anunciados en marzo de 2026 y conviven con los repositorios de conjuntos de datos en el mismo espacio de nombres hf://. También se gestionan con la interfaz de línea de comandos hf. Su función en este flujo es conservar los datos entre la grabación y el entrenamiento, sincronizando únicamente los bytes que han cambiado.

El agente puede decidir qué episodios conservar, cuándo una escena ha cambiado lo suficiente como para volver a grabarla, si el lote reunido permite iniciar un entrenamiento y qué checkpoint debe sustituir al que está desplegado en el robot. Una vez sincronizado el conjunto, el método stream_dataset() permite leerlo directamente desde el Hub sin descargar una copia completa. Los datos se procesan por lotes y el vídeo de las cámaras se decodifica durante la lectura.

El mismo objeto Robot() que registra la demostración puede transmitir después ese conjunto para entrenarlo. El ejemplo del artículo utiliza un robot simulado con Robot("so100"), crea un agente con ese robot como herramienta y solicita en lenguaje natural registrar una demostración de recoger un cubo y sincronizarla con un bucket. Después, el conjunto se lee mediante un dataloader con lotes de 64 elementos y con repo_type="bucket". El formato de los archivos se mantiene tal como lo escribe LeRobot, sin conversión.

La política entrenada puede desplegarse de nuevo en el mismo Robot() modificando un argumento, con mode="real" para ejecutar el agente sobre hardware. Las demostraciones registradas en el robot físico regresan entonces al mismo bucket y alimentan el siguiente ciclo. El artículo aclara que la ruta predeterminada usa una política simulada: permite generar un conjunto válido y probar el flujo completo, pero no produce una política útil por sí misma.

La configuración mínima requiere Python 3.12 o posterior, Linux o macOS —incluido Apple Silicon para el backend MuJoCo—, un proveedor de modelos compatible con Strands y la instalación de Strands Robots con los extras de simulación y LeRobot. Para usar buckets hace falta una cuenta de Hugging Face, un token con permisos de escritura y la CLI hf. El entrenamiento requiere además instalar lerobot[training] y, cuando se realiza a escala, un clúster de GPU capaz de leer desde el Hub.

La guía ejecutable asociada al recorrido se encuentra en examples/notebooks/05_streaming_data_loop.ipynb. La información procede del artículo de Hugging Face: Record, train, and deploy from one place with Strands Agents, LeRobot, and Hugging Face Storage Buckets.

Fuente: Hugging Face