Open-RAIL চালু আছে

Open-RAIL হলো চায়না মোবাইলের বিশ্বব্যাপী উন্মুক্ত-উৎসভিত্তিক embodied intelligence-এর সাধারণ প্রকৌশল অবকাঠামো এবং একই সঙ্গে শিল্পখাতে VLA/WAM মডেল ও রোবট হার্ডওয়্যারকে সংযুক্তকারী প্রথম সাধারণ নিউরাল সিস্টেম। Open-RAIL ফ্রেমওয়ার্ক স্তরে inference—execution—data feedback—model iteration-এর পূর্ণ চক্রকে সংযুক্ত করে। সমান্তরাল পাইপলাইন গতির মসৃণতা দুই অর্ডার অব ম্যাগনিটিউড বাড়ায়, edge-cloud deployment-এ কোড পরিবর্তনের প্রয়োজন হয় না, নতুন রোবট সংযুক্ত করার সময় কয়েক সপ্তাহ থেকে কয়েক ঘণ্টায় কমিয়ে আনে এবং নতুন মডেল সংযুক্ত করতে মাত্র 50—100 লাইন কোড লাগে। বর্তমানে এটি 4টি ভিন্নধর্মী রোবটের সঙ্গে সামঞ্জস্যপূর্ণ, 10টি প্রধান মডেল সমর্থন করে এবং Mobile Star Chef রোবট হাংজৌতে নিয়মিতভাবে চলছে।

Inference ও execution: observation, inference এবং control-কে তিনটি সমান্তরাল পাইপলাইনে ভাগ করে দুই-স্তরের smoothing কৌশল প্রয়োগ করা হয়। এতে joint acceleration-এর standard deviation 10+ rad/s² থেকে 0.1 rad/s²-এ নেমে আসে, ফলে নড়াচড়া হয় স্থির ও মসৃণ।
Edge-cloud deployment: inference সম্পূর্ণভাবে Server প্রান্তে রাখা হয়, আর রোবটের কাজ কেবল execution। শুধু সংযোগের ঠিকানা পরিবর্তন করেই প্রয়োজন অনুযায়ী edge, cloud বা robot-side deployment বেছে নেওয়া যায়; computing power আর মডেল নির্বাচনের সীমা থাকে না।
Heterogeneous adaptation: lightweight hardware abstraction layer এবং unified model integration standard-এর মাধ্যমে control ও state interface মানসম্মত করা হয়। রোবট বা মডেল পরিবর্তন করলেও পুরো ব্যবস্থা নতুন করে তৈরি করতে হয় না।
Data closed loop: প্রতিটি inference execution-এর মধ্যেই data collection যুক্ত থাকে। বহু-দৃষ্টিকোণ ছবি, joint state এবং inference result স্বয়ংক্রিয়ভাবে ব্যবহারের জন্য প্রস্তুত standard format-এ সংরক্ষিত হয় এবং পরবর্তী training-এ সরাসরি ব্যবহার করা যায়।
Inference ও teleoperation-এর সমন্বয়: মডেল ভুল পথে গেলে মানুষ যেকোনো সময় হস্তক্ষেপ করে সংশোধন করতে পারে। সংশোধিত trajectory এবং মূল trajectory একই timestamp অনুযায়ী সমান্তরালভাবে সংরক্ষিত হয়; প্রতিটি মানব-সংশোধন একটি উচ্চমানের লক্ষ্যভিত্তিক teaching sample।
“Push-collect-evaluate” closed loop: model inference, robot execution, data feedback এবং model iteration-কে একটি সাধারণ closed loop-এ যুক্ত করা হয়েছে। এটি শিল্পখাতের একটি শূন্যতা পূরণ করে এবং একই ফলাফল আরও রোবট ও মডেলে ব্যাপকভাবে প্রয়োগের সুযোগ দেয়।

WeChat-এ অনুসরণ করে “开源” লিখে উত্তর পাঠান, AI open-source project group-এ যোগ দিন
সমান্তরাল পাইপলাইন inference architecture: VLA/WAM মডেলের inference latency এবং রোবটের control cycle-এর মধ্যে 30—50 গুণ পার্থক্য মোকাবিলায় Open-RAIL রোবট প্রান্তে observation, inference এবং control-কে তিনটি সমান্তরাল পাইপলাইনে ভাগ করে। Observation thread ক্রমাগত পরিবেশ ও joint state সংগ্রহ করে, inference thread ক্রমাগত action block গণনা করে এবং control thread ক্রমাগত নিম্নস্তরের controller-এ নির্দেশ পাঠায়। তিনটি একে অপরের জন্য অপেক্ষা করে না, ফলে serial waiting-এর কারণে সৃষ্ট motion lag দূর হয়।
দুই-স্তরের online action smoothing: মডেল discrete action point output করে, যা সরাসরি কার্যকর করলে উচ্চ-ফ্রিকোয়েন্সির acceleration ও deceleration shock তৈরি হয়। Open-RAIL ফ্রেমওয়ার্ক স্তরে block-এর ভেতর ও block-এর মধ্যবর্তী দুই-স্তরের smoothing strategy বাস্তবায়ন করেছে। সব গণনা অনলাইন ও real-time-এ হয়; model weight বা post-training পরিবর্তন না করেই joint acceleration-এর standard deviation 10+ rad/s² থেকে 0.1 rad/s²-এ নামিয়ে আনা যায়, ফলে hardware আর উচ্চ-ফ্রিকোয়েন্সির shock বহন করে না।
Server-Client edge-cloud decoupling: সিস্টেম inference-কে Server প্রান্তে একীভূতভাবে abstract করে, আর robot hardware (Client) কেবল action execution ও state reporting পরিচালনা করে। Server robot hardware, edge computing বা cloud-এ স্থাপন করা যায়। কোড সম্পূর্ণ একই থাকে; শুধু connection address পরিবর্তন করেই robot-side, edge এবং cloud deployment-এর মধ্যে কোনো কোড পরিবর্তন ছাড়াই স্থানান্তর করা যায়। ফলে model size আর robot-এর embedded computing power দ্বারা সীমাবদ্ধ থাকে না।
Hardware abstraction layer ও unified integration standard: Open-RAIL একটি lightweight hardware abstraction layer (HAL) আলাদা করেছে, যেখানে control command, state reading এবং action execution-কে standard interface-এ encapsulate করা হয়। নতুন রোবটের ক্ষেত্রে শুধু নিচের স্তরের adapter বাস্তবায়ন ও registration সম্পন্ন করলেই উপরের স্তরের logic সম্পূর্ণ পুনর্ব্যবহার করা যায়। Model-side-এও unified inference interface নির্ধারিত আছে; নতুন মডেল standard interface বাস্তবায়ন করলেই সংযুক্ত হতে পারে, সাধারণত মাত্র 50—100 লাইন কোড লাগে। এতে hardware ও model উভয় স্তরের adaptation cost সর্বনিম্নে নেমে আসে।

পরিবেশ নিশ্চিত করুন: Python ≥ 3.10-সমৃদ্ধ Linux পরিবেশ প্রস্তুত করুন। Server-এর জন্য NVIDIA GPU + CUDA + PyTorch প্রয়োজন; Client-এ রোবটের প্রয়োজন অনুযায়ী vendor SDK বা ROS ইনস্টল করুন। উভয় প্রান্ত একই local network-এ ZMQ-এর মাধ্যমে যোগাযোগ করবে।
কোড সংগ্রহ করুন: Gitee, GitHub অথবা Huánxīn Community থেকে repository clone করুন (git clone https://gitee.com/cmcc-tao/open-rail.git)।
Dependencies ইনস্টল করুন: conda environment তৈরি করে pip install -e . চালান। এতে vla-server এবং vla-web-client নামে দুটি command-line entry point স্বয়ংক্রিয়ভাবে নিবন্ধিত হবে।
Server চালু করুন: python run_server.py --model_type <মডেলের ধরন> --model_path <ওজনের পথ> চালান। নির্বাচিত VLA/WAM মডেল লোড হয়ে ZMQ-এর মাধ্যমে inference endpoint প্রকাশ করবে।
Web Client চালু করুন: python run_web_client.py চালান। এটি ডিফল্টভাবে conf/default_conf.yaml পড়বে এবং 9000 port-এ listen করবে। --conf ব্যবহার করে custom configuration নির্ধারণ করা যায়।
সংযোগ যাচাই করুন: Browser-এ http://localhost:9000 খুলুন। Web interface, camera view এবং robot state প্রস্তুত দেখা গেলে startup সফল হয়েছে; task নির্বাচন করলেই রোবট চালানো যাবে।
Simulation দিয়ে শুরু করুন (বাস্তব রোবট ছাড়া): conf/robots_conf.py-তে Mock backend-এর dataset_path-কে LeRobot dataset-এর দিকে নির্দেশ করুন এবং --model_type mock ব্যবহার করে পুরো pipeline যাচাই করুন।
বাস্তব রোবটে execution: conf/*.yaml-এ robots.type-কে লক্ষ্য adapter-এ পরিবর্তন করুন (agibot_g1 / ti5_t170c / navi_wa2), documentation অনুযায়ী camera topic ও action_layout কনফিগার করুন এবং একই দুটি command দিয়ে চালু করুন।
Edge-cloud switching: কোনো কোড পরিবর্তনের প্রয়োজন নেই; configuration-এ শুধু Server-এর network address field পরিবর্তন করলেই inference robot hardware, edge বা cloud-এ চালানো যাবে।
Data সংগ্রহ ও evaluation: প্রতিটি run স্বয়ংক্রিয়ভাবে LeRobot-style Parquet training data এবং eval/ evaluation log (JSON/CSV) তৈরি করে। এগুলো সরাসরি training-এ ফেরত দেওয়া যায়; “inference+teleoperation correction” hybrid mode অক্টোবর মাসে open-source করার পরিকল্পনা রয়েছে।

নড়াচড়া স্থির ও মসৃণ: তিন-thread asynchronous pipeline এবং দুই-স্তরের online smoothing ফ্রেমওয়ার্ক স্তরে inference-control frequency-এর 30—50 গুণ পার্থক্য দূর করে। Joint acceleration-এর standard deviation 10+ rad/s² থেকে 0.1 rad/s²-এ নেমে আসে, অথচ মডেল বা model architecture পরিবর্তনের প্রয়োজন হয় না।
একবার adaptation, সর্বত্র পুনর্ব্যবহার: lightweight hardware abstraction layer এবং unified integration standard নতুন রোবট যুক্ত করার সময় কয়েক সপ্তাহ থেকে কয়েক ঘণ্টায় কমিয়ে আনে; নতুন মডেল যুক্ত করতে মাত্র 50—100 লাইন কোড লাগে এবং উপরের স্তরের logic সম্পূর্ণ পুনর্ব্যবহার করা যায়।
Computing power আর বাধা নয়: Server-client decoupling architecture-এ inference Server প্রান্তে একীভূতভাবে চলে। শুধু এক জায়গায় connection address পরিবর্তন করেই কোনো কোড ছাড়াই robot-side, edge ও cloud deployment বদলানো যায়; embedded device-ও বড় মডেল চালাতে পারে।
চালানোর সঙ্গে data collection ও evaluation: প্রতিটি inference execution-এর মধ্যেই data collection এবং evaluation log যুক্ত থাকে। স্বয়ংক্রিয়ভাবে ব্যবহারের জন্য প্রস্তুত LeRobot-style data ও পুনরুৎপাদনযোগ্য execution-time metric তৈরি হয়, ফলে “push-collect-evaluate” closed loop সম্পূর্ণ হয়।
মানব-সংশোধনই teaching sample: hybrid teleoperation mode-এ যেকোনো সময় pause, intervention, correction ও resume করা যায়। সংশোধিত trajectory এবং মূল trajectory একই timestamp অনুযায়ী সমান্তরালভাবে সংরক্ষিত হয় এবং সরাসরি উচ্চমানের লক্ষ্যভিত্তিক training data হয়ে ওঠে।
বাস্তব পরিস্থিতিতে যাচাইকৃত: Mobile Star Chef রোবট হাংজৌর একটি campus-এ নিয়মিতভাবে চলছে। প্রতিদিন 100-এর বেশি কাপ কফি তৈরি হয়, প্রতি কাপে সম্পূর্ণ প্রক্রিয়ায় 90 সেকেন্ড লাগে এবং দীর্ঘ sequence task-এ পুরো সময় মডেল স্বয়ংক্রিয়ভাবে সিদ্ধান্ত নেয়। এর মাধ্যমে অবকাঠামোটির বাস্তব মূল্য প্রমাণিত হয়েছে।

প্রকল্পের অফিসিয়াল ওয়েবসাইট: https://cmcc-tao.github.io/open-rail/

বাণিজ্যিক service robot: যেমন ইতিমধ্যে বাস্তবায়িত “Mobile Star Chef”, যা কফি তৈরি, microwave-এ খাবার গরম করা ইত্যাদি দীর্ঘ sequence-এর service task সম্পন্ন করে। প্রতিদিন 100-এর বেশি কাপ কফি তৈরি হয়, প্রতি কাপে সম্পূর্ণ প্রক্রিয়ায় 90 সেকেন্ড লাগে এবং একাধিক order সমান্তরালে চললেও পুরো সময় মডেল স্বয়ংক্রিয়ভাবে সিদ্ধান্ত নেয়।
শিল্প পরিদর্শন ও monitoring: substation, server room এবং factory area-তে equipment inspection, meter reading ও abnormal alarm-এর মতো পুনরাবৃত্ত monitoring task সম্পন্ন করা যায়। Edge-cloud deployment-এর ফলে বড় মডেলের inference edge বা cloud-এ চালানো যায়; robot hardware-এ বড় computing power প্রয়োজন হয় না।
বয়স্ক সেবা ও চিকিৎসা সহায়তা: চা-পানি পরিবেশন, সামগ্রী পৌঁছে দেওয়া এবং rehabilitation assistance-এর মতো কাজে smooth execution ক্ষমতা মানুষ ও রোবটের কাছাকাছি interaction-এর সময় নিরাপত্তা ও কোমলতা নিশ্চিত করে।
গবেষণা ও শিক্ষামূলক পরীক্ষা: বিশ্ববিদ্যালয় ও startup team-গুলো Mock simulation backend ব্যবহার করে hardware ছাড়াই শুরু করতে পারে এবং দ্রুত VLA model-এর কার্যকারিতা যাচাই করতে পারে। নতুন মডেল সংযুক্ত করতে মাত্র 50—100 লাইন কোড লাগে, ফলে গবেষকেরা engineering pipeline তৈরির পরিবর্তে model innovation-এ মনোযোগ দিতে পারেন।