Open-RAIL 운영 중

Open-RAIL은 중국이동이 전 세계에 오픈소스로 공개한 Embodied AI 범용 엔지니어링 기반이자, 업계 최초로 VLA/WAM 모델과 로봇 본체를 연결하는 범용 신경 시스템입니다. Open-RAIL은 프레임워크 수준에서 추론-실행-데이터 피드백-모델 반복의 폐쇄 루프를 연결하고, 병렬 파이프라인을 통해 동작의 부드러움을 두 자릿수 배 향상시킵니다. 엣지 및 클라우드 배포 시 코드 수정이 필요 없으며, 신규 로봇 연동 시간은 수주에서 수시간으로 단축되고, 신규 모델은 50-100줄의 코드만으로 연동할 수 있습니다. 현재 4종의 이기종 로봇과 10개의 주요 모델을 지원하며, 모바일 싱추 로봇은 항저우에서 상시 운영되고 있습니다.

추론 실행: 관측, 추론, 제어를 세 개의 병렬 파이프라인으로 분리하고 2단계 평활화 전략을 적용해 관절 가속도 표준편차를 10+ rad/s²에서 0.1 rad/s²로 낮춥니다. 동작이 안정적이고 부드럽습니다.
엣지 및 클라우드 배포: 추론은 Server 측에서 통합 처리하고 로봇 측은 실행만 담당합니다. 연결 주소를 한 곳에서 변경하면 필요에 따라 온디바이스, 엣지, 클라우드 간 전환이 가능해 연산 성능이 모델 선택을 제한하지 않습니다.
이기종 로봇 지원: 경량 하드웨어 추상화 계층과 통합 모델 연동 규약을 통해 제어 및 상태 인터페이스를 표준화하므로 로봇이나 모델을 교체해도 처음부터 다시 구축할 필요가 없습니다.
데이터 폐쇄 루프: 데이터 수집을 모든 추론 실행에 내장하고, 다중 시점 이미지, 관절 상태, 추론 결과를 바로 사용할 수 있는 표준 형식으로 자동 보관해 다음 학습 단계에 즉시 투입할 수 있습니다.
추론 및 원격 조작 혼합: 모델이 잘못 동작할 때 사람이 언제든 개입해 보정할 수 있습니다. 보정 궤적과 원본 궤적은 타임스탬프를 엄격히 정렬해 병렬 저장되며, 모든 수동 보정은 고품질의 맞춤형 학습 데이터가 됩니다.
‘추론-수집-평가’ 폐쇄 루프: 모델 추론, 로봇 실행, 데이터 피드백, 모델 반복을 범용 폐쇄 루프로 연결해 업계의 공백을 해소하고, 성능을 더 많은 로봇과 모델에 대규모로 재현할 수 있게 합니다.

WeChat에서 팔로우한 후 ‘오픈소스’라고 답장하여 AI 오픈소스 프로젝트 교류 그룹에 참여하세요
병렬 파이프라인 추론 아키텍처: VLA/WAM 모델의 추론 지연과 로봇 제어 주기 사이에 존재하는 30-50배의 차이에 대응하기 위해 Open-RAIL은 로봇 측에서 관측, 추론, 제어를 세 개의 병렬 파이프라인으로 분리합니다. 관측 스레드는 환경과 관절 상태를 지속적으로 수집하고, 추론 스레드는 동작 블록을 지속적으로 계산하며, 제어 스레드는 하위 제어기에 명령을 지속적으로 전송합니다. 세 스레드는 서로 기다리지 않으므로 직렬 대기로 인한 동작 끊김을 제거합니다.
2단계 온라인 동작 평활화: 모델 출력은 이산 동작 지점이므로 직접 실행하면 고주파 가감속 충격이 발생합니다. Open-RAIL은 프레임워크 수준에서 블록 내 및 블록 간 2단계 평활화 전략을 구현합니다. 모든 계산은 온라인으로 실시간 처리되며, 모델 가중치나 후속 학습을 수정하지 않고도 관절 가속도 표준편차를 10+ rad/s²에서 0.1 rad/s²로 낮춰 하드웨어가 고주파 충격을 받지 않도록 합니다.
Server-Client 기반 온디바이스-엣지-클라우드 분리: 시스템은 추론을 Server 측에 통합 추상화하고, 로봇 본체(Client)는 동작 실행과 상태 보고만 담당합니다. Server는 본체, 엣지 연산 환경 또는 클라우드에 배포할 수 있으며 코드가 완전히 동일합니다. 연결 주소만 수정하면 온디바이스, 엣지, 클라우드의 세 가지 배포 형태를 코드 변경 없이 전환할 수 있어 모델 규모가 본체의 임베디드 연산 성능에 제한되지 않습니다.
하드웨어 추상화 계층 및 통합 연동 규약: Open-RAIL은 경량 하드웨어 추상화 계층(HAL)을 분리해 제어 명령, 상태 읽기, 동작 실행을 표준화하여 캡슐화합니다. 신규 로봇은 하위 계층 어댑터를 구현하고 등록하기만 하면 상위 로직을 그대로 재사용할 수 있습니다. 모델 측에도 통합 추론 인터페이스를 정의하므로 신규 모델은 표준 인터페이스를 구현해 연동할 수 있으며, 일반적으로 50-100줄의 코드만 필요합니다. 이를 통해 로봇 본체와 모델을 넘나드는 연동 비용을 최소화합니다.

환경 확인: Python ≥ 3.10의 Linux 환경을 준비합니다. 서버 측에는 NVIDIA GPU + CUDA + PyTorch가 필요하고, 클라이언트 측에는 로봇 요구 사항에 따라 제조업체 SDK 또는 ROS를 설치합니다. 양측은 ZMQ를 통해 동일한 로컬 네트워크에서 통신하면 됩니다.
코드 받기: Gitee, GitHub 또는 환신 커뮤니티에서 저장소를 클론합니다(git clone https://gitee.com/cmcc-tao/open-rail.git).
의존성 설치: conda 환경을 만든 후 pip install -e .를 실행하면 vla-server와 vla-web-client 두 개의 명령줄 진입점이 자동으로 등록됩니다.
서버 시작: python run_server.py --model_type <모델 유형> --model_path <가중치 경로>를 실행해 선택한 VLA/WAM 모델을 로드하고 ZMQ를 통해 추론 엔드포인트를 제공합니다.
웹 클라이언트 시작: python run_web_client.py를 실행합니다. 기본적으로 conf/default_conf.yaml을 읽고 9000 포트에서 수신하며, --conf로 사용자 지정 설정을 지정할 수 있습니다.
연결 확인: 브라우저에서 http://localhost:9000을 열어 웹 인터페이스, 카메라 화면, 로봇 상태가 준비된 것을 확인하면 성공적으로 시작된 것입니다. 작업을 선택하면 로봇을 구동할 수 있습니다.
시뮬레이션 시작(실물 로봇 없음): conf/robots_conf.py에서 Mock 백엔드의 dataset_path를 LeRobot 데이터셋으로 지정하고 --model_type mock과 함께 실행하면 전체 경로를 먼저 검증할 수 있습니다.
실물 로봇 실행: conf/*.yaml에서 robots.type을 대상 어댑터(agibot_g1 / ti5_t170c / navi_wa2)로 변경하고, 문서에 따라 카메라 토픽과 action_layout을 설정한 후 동일한 두 명령으로 시작합니다.
온디바이스-엣지-클라우드 전환: 코드를 수정할 필요 없이 설정의 서버 네트워크 주소 필드만 변경하면 추론을 본체, 엣지 또는 클라우드에서 실행할 수 있습니다.
데이터 수집 및 평가: 실행할 때마다 LeRobot 형식의 Parquet 학습 데이터와 eval/ 평가 로그(JSON/CSV)가 자동 생성되어 바로 학습에 피드백할 수 있습니다. ‘추론+원격 조작 보정’ 혼합 모드는 10월 오픈소스로 공개될 예정입니다.

안정적이고 부드러운 동작: 3개 스레드의 비동기 병렬 파이프라인과 2단계 온라인 평활화를 통해 프레임워크 수준에서 30-50배에 달하는 추론-제어 주파수 차이를 해소합니다. 관절 가속도 표준편차를 10+ rad/s²에서 0.1 rad/s²로 낮추며 모델이나 모델 아키텍처를 변경할 필요가 없습니다.
한 번 연동해 어디서나 재사용: 경량 하드웨어 추상화 계층과 통합 연동 규약을 통해 신규 로봇 연동 시간을 수주에서 수시간으로 단축하고, 신규 모델은 50-100줄의 코드만으로 연동할 수 있습니다. 상위 로직은 완전히 재사용됩니다.
연산 성능이 더 이상 장벽이 아님: 서버-클라이언트 분리 아키텍처에서 추론을 Server 측에 통합하고 연결 주소 한 곳만 변경하면 코드 수정 없이 온디바이스, 엣지, 클라우드 배포를 전환할 수 있어 임베디드 기기에서도 대규모 모델을 구동할 수 있습니다.
실행과 동시에 수집 및 평가: 데이터 수집과 평가 로그를 모든 추론 실행에 내장해 바로 사용할 수 있는 LeRobot 형식 데이터와 재현 가능한 실행 시간 지표를 자동 생성하고, ‘추론-수집-평가’ 폐쇄 루프를 연결합니다.
수동 보정이 곧 학습 샘플: 혼합 원격 조작 모드에서는 언제든 일시 중지, 개입 및 보정, 재개가 가능합니다. 보정 궤적과 원본 궤적은 타임스탬프를 엄격히 정렬해 병렬 저장되며, 고품질 맞춤형 학습 데이터로 바로 활용됩니다.
실제 환경에서 검증 완료: 모바일 싱추 로봇은 항저우 산업단지에서 상시 운영되고 있으며, 하루 평균 100잔 이상의 커피를 제조하고 한 잔당 전체 과정은 90초가 소요됩니다. 장시간 순차 작업에서도 전 과정의 의사결정을 모델이 자율적으로 수행해 기반 기술의 가치를 입증했습니다.

프로젝트 공식 웹사이트：https://cmcc-tao.github.io/open-rail/

상업용 서비스 로봇: 실제 도입된 ‘모바일 싱추’와 같이 커피 제조, 전자레인지 식사 가열 등 장시간 순차 서비스 작업을 수행합니다. 하루 평균 100잔의 커피를 제조하고 한 잔당 전체 과정은 90초가 소요되며, 여러 주문을 병렬로 처리하는 전 과정에서 모델이 자율적으로 의사결정합니다.
산업 점검 및 순찰: 변전소, 기계실, 공장 구역에서 설비 점검, 계기 판독, 이상 경보 등 반복적인 상시 업무를 수행합니다. 온디바이스-엣지-클라우드 배포를 통해 대규모 모델 추론을 엣지나 클라우드에서 실행할 수 있어 본체에 대규모 연산 성능이 필요하지 않습니다.
고령자 및 의료 지원: 차와 물 전달, 물품 운반, 재활 보조 등의 분야에서 부드러운 실행 능력을 통해 로봇과 사람이 가까이 상호작용할 때 안전성과 자연스러움을 보장합니다.
연구 및 교육 실험: 대학과 스타트업 팀은 Mock 시뮬레이션 백엔드로 하드웨어 없이 시작해 VLA 모델의 성능을 빠르게 검증할 수 있습니다. 신규 모델 연동에는 50-100줄의 코드만 필요하므로 연구자는 엔지니어링 파이프라인 구축에서 벗어나 모델 혁신에 집중할 수 있습니다.