Open-RAIL Inafanya kazi

Open-RAIL ni msingi wa jumla wa uhandisi wa akili iliyojumuishwa unaotolewa na China Mobile kwa chanzo huria duniani kote, na pia ni mfumo wa kwanza wa jumla wa neva katika sekta unaounganisha miundo ya VLA/WAM na roboti halisi. Katika kiwango cha mfumo, Open-RAIL huunganisha mzunguko kamili wa uamuzi—utekelezaji—urejeshaji wa data—uboreshaji wa modeli. Mstari wa uchakataji sambamba huongeza ulaini wa mienendo kwa viwango viwili vya ukubwa, huku msimbo wa uwekaji kwenye kifaa, ukingoni na wingu ukibaki bila mabadiliko. Uunganishaji wa roboti mpya hupunguzwa kutoka wiki hadi saa, na modeli mpya huhitaji mistari 50—100 tu ya msimbo. Kwa sasa, mfumo umeunganishwa na roboti 4 za aina tofauti na unaunga mkono modeli 10 maarufu. Roboti ya Mobile Star Chef tayari inafanya kazi kwa kawaida mjini Hangzhou.

Uamuzi na utekelezaji: Hugawanya uangalizi, uamuzi na udhibiti katika mistari mitatu ya uchakataji sambamba, pamoja na mikakati miwili ya ulainishaji, na kupunguza mkengeuko wa kawaida wa kasi ya viungo kutoka 10+ rad/s² hadi 0.1 rad/s², hivyo mienendo huwa thabiti na laini.
Uwekaji kwenye kifaa, ukingo na wingu: Uamuzi huwekwa kwa pamoja kwenye upande wa Server, huku roboti ikihusika na utekelezaji pekee. Kubadilisha anwani moja ya muunganisho huwezesha kubadilisha kati ya kifaa, ukingo na wingu kulingana na mahitaji, bila uwezo wa kompyuta kuzuia uchaguzi wa modeli.
Ulinganifu wa roboti tofauti: Kwa kutumia safu nyepesi ya uondoaji wa utegemezi wa maunzi na viwango vya pamoja vya kuunganisha modeli, miingiliano ya udhibiti na hali husawazishwa. Kubadilisha roboti au modeli hakuhitaji kuanza upya.
Mzunguko wa data: Ukusanyaji wa data umejengwa ndani ya kila utekelezaji wa uamuzi. Picha za mitazamo mingi, hali za viungo na matokeo ya uamuzi huhifadhiwa kiotomatiki katika muundo wa kawaida ulio tayari kutumika, na zinaweza kuingizwa moja kwa moja katika mafunzo yanayofuata.
Mchanganyiko wa uamuzi na udhibiti wa mbali: Modeli inapopotoka, binadamu anaweza kuingilia kati na kusahihisha wakati wowote. Mizunguko iliyosahihishwa na ile ya awali huhifadhiwa sambamba ikiwa na mihuri ya muda iliyolinganishwa kikamilifu; kila marekebisho ya binadamu huwa mfano wa mafunzo wenye ubora na mwelekeo maalum.
Mzunguko wa “endesha-kusanya-tathmini”: Uamuzi wa modeli, utekelezaji wa roboti, urejeshaji wa data na uboreshaji wa modeli huunganishwa kuwa mzunguko wa jumla, kuziba pengo la sekta na kuwezesha matokeo kunakiliwa kwa roboti na modeli zaidi.

Fuata akaunti ya WeChat na ujibu “开源” ili kujiunga na kikundi cha mawasiliano cha miradi ya AI ya chanzo huria
Usanifu wa uamuzi wa mistari sambamba ya uchakataji: Ili kukabiliana na tofauti ya mara 30—50 kati ya ucheleweshaji wa uamuzi wa modeli za VLA/WAM na mzunguko wa udhibiti wa roboti, Open-RAIL hugawanya uangalizi, uamuzi na udhibiti katika mistari mitatu sambamba upande wa roboti: nyuzi ya uangalizi hukusanya mazingira na hali ya viungo kila wakati, nyuzi ya uamuzi hukokotoa vipande vya vitendo kila wakati, na nyuzi ya udhibiti hutuma maagizo kwenye kifaa cha chini kila wakati. Havisubiri kila kimoja kingine, hivyo kuondoa kusuasua kwa mienendo kunakosababishwa na kusubiri kwa mfuatano.
Ulainishaji wa vitendo mtandaoni wa viwango viwili: Matokeo ya modeli ni nukta za vitendo zilizotenganishwa; kuzitekeleza moja kwa moja husababisha mishtuko ya kasi ya juu ya kuongeza na kupunguza mwendo. Open-RAIL hutumia mikakati miwili ya ulainishaji ndani na kati ya vipande katika kiwango cha mfumo. Hesabu zote hufanyika mtandaoni na kwa wakati halisi; bila kubadilisha uzani wa modeli au kufanya mafunzo ya baadae, mkengeuko wa kawaida wa kasi ya viungo hupunguzwa kutoka 10+ rad/s² hadi 0.1 rad/s², na maunzi hayaathiriwi tena na mishtuko ya masafa ya juu.
Utenganishaji wa Server-Client kwa kifaa, ukingo na wingu: Mfumo huweka uamuzi kwa pamoja upande wa Server, huku roboti halisi (Client) ikihusika na utekelezaji wa vitendo na kuripoti hali pekee. Server inaweza kuwekwa kwenye roboti, kwenye uwezo wa kompyuta wa ukingo au kwenye wingu. Msimbo hubaki uleule; kubadilisha anwani ya muunganisho pekee huwezesha kubadilisha kati ya uwekaji wa kifaa, ukingo na wingu bila mabadiliko, hivyo ukubwa wa modeli hauzuiliwi tena na uwezo wa kompyuta uliopachikwa kwenye roboti.
Safu ya uondoaji wa maunzi na mkataba wa pamoja wa kuunganisha: Open-RAIL hutenganisha safu nyepesi ya uondoaji wa maunzi (HAL), inayofunga kwa viwango maagizo ya udhibiti, usomaji wa hali na utekelezaji wa vitendo. Roboti mpya inahitaji tu kutekeleza ulinganifu wa chini na kujisajili; mantiki ya juu hutumika tena kikamilifu. Upande wa modeli pia hufafanua kiolesura cha pamoja cha uamuzi; modeli mpya inaweza kuunganishwa kwa kutekeleza kiolesura hicho, kwa kawaida ikihitaji mistari 50—100 tu ya msimbo, na kupunguza kwa kiwango cha chini gharama ya ulinganifu kati ya roboti na modeli.

Kuthibitisha mazingira: Andaa mazingira ya Linux yenye Python ≥ 3.10. Upande wa huduma unahitaji NVIDIA GPU + CUDA + PyTorch, huku upande wa mteja ukiweka SDK ya mtengenezaji au ROS kulingana na mahitaji ya roboti. Pande zote mbili huwasiliana kupitia ZMQ ndani ya mtandao mmoja wa eneo.
Kupata msimbo: Kloni hazina kutoka Gitee, GitHub au jumuiya ya Huanxin (git clone https://gitee.com/cmcc-tao/open-rail.git).
Kusakinisha utegemezi: Baada ya kuunda mazingira ya conda, endesha pip install -e .; itaandikisha kiotomatiki miingilio miwili ya mstari wa amri, vla-server na vla-web-client.
Kuanzisha upande wa huduma: Endesha python run_server.py --model_type <aina ya modeli> --model_path <njia ya uzani> ili kupakia modeli iliyochaguliwa ya VLA/WAM na kufichua kituo cha uamuzi kupitia ZMQ.
Kuanzisha mteja wa Web: Endesha python run_web_client.py (kwa chaguo-msingi husoma conf/default_conf.yaml na kusikiliza lango 9000); --conf inaweza kutumika kubainisha usanidi maalum.
Kuthibitisha muunganisho: Fungua http://localhost:9000 kwenye kivinjari. Ukiona kiolesura cha Web, picha ya kamera na hali ya roboti ikiwa tayari, uanzishaji umefanikiwa; chagua kazi ili kuendesha roboti.
Kuanza kwa uigaji (bila roboti halisi): Katika conf/robots_conf.py, elekeza dataset_path ya backend ya Mock kwenye seti ya data ya LeRobot, kisha tumia --model_type mock kuthibitisha mnyororo mzima.
Utekelezaji kwa roboti halisi: Badilisha robots.type katika conf/*.yaml iwe adapta inayolengwa (agibot_g1 / ti5_t170c / navi_wa2), na usanidi mada za kamera pamoja na action_layout kulingana na nyaraka; kisha anzisha kwa amri zilezile mbili.
Kubadilisha kati ya kifaa, ukingo na wingu: Hakuna haja ya kubadilisha msimbo; badilisha tu sehemu ya anwani ya mtandao ya Server kwenye usanidi ili kuendesha uamuzi kwenye roboti, ukingo au wingu.
Kupata data na kutathmini: Kila uendeshaji hutengeneza kiotomatiki data ya mafunzo ya mtindo wa LeRobot katika Parquet na kumbukumbu za tathmini za eval/ (JSON/CSV), tayari kurejeshwa moja kwa moja kwenye mafunzo; hali mchanganyiko ya “uamuzi+marekebisho ya udhibiti wa mbali” imepangwa kutolewa kwa chanzo huria mwezi wa 10.

Mienendo thabiti na laini: Mstari wa uchakataji wa nyuzi tatu sambamba pamoja na ulainishaji wa mtandaoni wa viwango viwili huondoa kwenye mfumo tofauti ya mara 30—50 kati ya marudio ya uamuzi na udhibiti. Mkengeuko wa kawaida wa kasi ya viungo hupungua kutoka 10+ rad/s² hadi 0.1 rad/s², bila kubadilisha modeli wala kuzuia usanifu wa modeli.
Ulinganifu mmoja, matumizi kila mahali: Safu nyepesi ya uondoaji wa maunzi pamoja na mkataba wa pamoja wa kuunganisha hupunguza uunganishaji wa roboti mpya kutoka wiki hadi saa, huku modeli mpya ikihitaji mistari 50—100 tu ya msimbo. Mantiki ya juu hutumika tena kikamilifu.
Uwezo wa kompyuta si kikwazo tena: Katika usanifu uliotenganisha Server na Client, uamuzi huwekwa upande wa Server. Kubadilisha anwani moja ya muunganisho pekee huwezesha kubadilisha uwekaji wa kifaa, ukingo na wingu bila kubadilisha msimbo, hivyo vifaa vilivyopachikwa vinaweza pia kuendesha modeli kubwa.
Uendeshaji ni ukusanyaji na tathmini: Ukusanyaji wa data na kumbukumbu za tathmini zimejengwa ndani ya kila utekelezaji wa uamuzi. Mfumo hutengeneza kiotomatiki data ya mtindo wa LeRobot iliyo tayari kutumika na vipimo vinavyoweza kurudiwa vya muda, na kuunganisha mzunguko wa “endesha-kusanya-tathmini”.
Marekebisho ya binadamu ni sampuli ya mafunzo: Katika hali mchanganyiko ya udhibiti wa mbali, mtumiaji anaweza kusitisha, kuingilia kati na kusahihisha, kisha kuendelea wakati wowote. Mizunguko iliyosahihishwa na ya awali huhifadhiwa sambamba ikiwa na mihuri ya muda iliyolinganishwa kikamilifu, na kuwa data ya mafunzo yenye ubora na mwelekeo maalum.
Imethibitishwa katika mazingira halisi: Roboti ya Mobile Star Chef tayari inafanya kazi kwa kawaida katika bustani ya Hangzhou, ikitoa zaidi ya vikombe 100 vya kahawa kwa siku kwa mchakato kamili wa sekunde 90 kwa kikombe. Katika kazi ndefu za mfuatano, modeli hufanya maamuzi kwa kujitegemea, kuthibitisha thamani ya msingi huu.

Tovuti rasmi ya mradi: https://cmcc-tao.github.io/open-rail/

Roboti za huduma za kibiashara: Kwa mfano, “Mobile Star Chef” iliyokwisha tumika, inayotekeleza kazi ndefu za huduma kama kutengeneza kahawa na kupasha chakula kwenye microwave. Hutoa zaidi ya vikombe 100 vya kahawa kwa siku, kwa mchakato kamili wa sekunde 90 kwa kikombe, huku modeli ikifanya maamuzi kwa kujitegemea katika maagizo mengi yanayotekelezwa sambamba.
Ukaguzi na ulinzi wa viwandani: Kwenye vituo vya umeme, vyumba vya seva na maeneo ya viwanda, roboti hutekeleza kazi za kurudia kama kukagua vifaa, kusoma mita na kutoa tahadhari za hitilafu. Uwekaji wa kifaa, ukingo na wingu huruhusu uamuzi wa modeli kubwa kufanyika ukingoni au kwenye wingu bila kuhitaji uwezo mkubwa wa kompyuta kwenye roboti yenyewe.
Msaada wa wazee na huduma za afya: Katika matukio kama kupeleka chai na maji, kuwasilisha vitu na kusaidia urekebishaji wa mwili, uwezo wa utekelezaji laini huhakikisha usalama na upole wakati roboti inapoingiliana kwa karibu na binadamu.
Majaribio ya utafiti na ufundishaji: Vyuo vikuu na timu changa zinaweza kuanza bila maunzi kwa kutumia backend ya uigaji ya Mock na kuthibitisha haraka utendaji wa modeli za VLA. Kuunganisha modeli mpya huhitaji mistari 50—100 tu ya msimbo, hivyo watafiti huzingatia ubunifu wa modeli bila kujenga mabomba ya uhandisi.