Open-RAIL آپریشن میں

Open-RAIL چین موبائل کی جانب سے عالمی سطح پر اوپن سورس کیا گیا مجسم ذہانت کا عمومی انجینئرنگ بنیادی ڈھانچہ ہے، اور صنعت میں VLA/WAM ماڈلز کو روبوٹ کے جسم سے جوڑنے والا پہلا عمومی عصبی نظام بھی ہے۔ Open-RAIL فریم ورک کی سطح پر استدلال—عمل درآمد—ڈیٹا واپسی—ماڈل کی تکراری بہتری کے مکمل چکر کو مربوط کرتا ہے۔ متوازی پائپ لائن کے ذریعے حرکات کی روانی میں دو درجے کا اضافہ ہوتا ہے، جبکہ اینڈ، ایج اور کلاؤڈ پر تعیناتی کے کوڈ میں کوئی تبدیلی درکار نہیں ہوتی۔ نئے روبوٹ کو شامل کرنے کا وقت ہفتوں سے کم ہو کر گھنٹوں تک آ جاتا ہے، اور نئے ماڈل کے لیے صرف 50—100 سطری کوڈ درکار ہوتا ہے۔ فی الحال 4 مختلف ساخت کے روبوٹس اور 10 معروف ماڈلز معاونت یافتہ ہیں، جبکہ موبائل شِنگ کچن روبوٹ ہانگژو میں معمول کے مطابق کام کر رہا ہے۔

استدلال اور عمل درآمد: مشاہدے، استدلال اور کنٹرول کو تین متوازی پائپ لائنز میں تقسیم کیا جاتا ہے اور دو سطحی ہمواری کی حکمت عملی اپنائی جاتی ہے، جس سے جوائنٹ ایکسیلریشن کا معیاری انحراف 10+ rad/s² سے کم ہو کر 0.1 rad/s² رہ جاتا ہے، اور حرکات مستحکم و ہموار ہو جاتی ہیں۔
اینڈ، ایج اور کلاؤڈ تعیناتی: استدلال کو یکساں طور پر Server پر رکھا جاتا ہے اور روبوٹ کا حصہ صرف عمل درآمد کرتا ہے۔ صرف کنکشن ایڈریس تبدیل کرکے ضرورت کے مطابق اینڈ، ایج اور کلاؤڈ کے درمیان سوئچ کیا جا سکتا ہے، اس لیے کمپیوٹنگ طاقت ماڈل کے انتخاب کو محدود نہیں کرتی۔
مختلف روبوٹس کی موافقت: ہلکی پھلکی ہارڈویئر ابسٹریکشن لیئر اور متحدہ ماڈل انضمام کے معیارات کے ذریعے کنٹرول اور اسٹیٹس انٹرفیس کو معیاری بنایا جاتا ہے، لہٰذا روبوٹ یا ماڈل تبدیل کرنے پر نظام کو ازسرنو بنانے کی ضرورت نہیں۔
ڈیٹا کا مکمل چکر: ڈیٹا اکٹھا کرنا ہر استدلالی عمل میں شامل ہے۔ کثیر زاویہ تصاویر، جوائنٹ اسٹیٹس اور استدلالی نتائج خودکار طور پر ایک تیار شدہ معیاری فارمیٹ میں محفوظ ہوتے ہیں، جنہیں اگلی تربیتی iteration میں براہِ راست استعمال کیا جا سکتا ہے۔
استدلال اور ٹیلی آپریشن کا امتزاج: جب ماڈل کا عمل درست سمت سے ہٹ جائے تو انسان کسی بھی وقت مداخلت کرکے اصلاح کر سکتا ہے۔ اصلاح شدہ trajectory اور اصل trajectory کو ٹائم اسٹیمپ کے مطابق سختی سے ہم آہنگ کرکے متوازی طور پر محفوظ کیا جاتا ہے، اور ہر انسانی اصلاح اعلیٰ معیار کے ہدفی تربیتی نمونے میں بدل جاتی ہے۔
“استدلال-ڈیٹا اکٹھا کرنا-جائزہ” کا مکمل چکر: ماڈل کے استدلال، روبوٹ کے عمل درآمد، ڈیٹا کی واپسی اور ماڈل کی تکراری بہتری کو ایک عمومی چکر میں مربوط کیا جاتا ہے، صنعت کے خلا کو پُر کیا جاتا ہے، اور نتائج کو مزید روبوٹس و ماڈلز پر بڑے پیمانے پر نقل کرنا ممکن ہوتا ہے۔

WeChat پر فالو کرکے “اوپن سورس” کا جواب دیں اور AI اوپن سورس منصوبوں کے گروپ میں شامل ہوں
متوازی پائپ لائن استدلالی معماری: VLA/WAM ماڈلز کے استدلالی تاخیر اور روبوٹ کے کنٹرول سائیکل کے درمیان 30—50 گنا فرق کو مدنظر رکھتے ہوئے، Open-RAIL روبوٹ کی جانب مشاہدے، استدلال اور کنٹرول کو تین متوازی پائپ لائنز میں تقسیم کرتا ہے۔ مشاہداتی thread ماحول اور جوائنٹ اسٹیٹس مسلسل جمع کرتا ہے، استدلالی thread مسلسل action blocks کا حساب کرتا ہے، اور کنٹرول thread مسلسل نچلے درجے کے کنٹرولر کو ہدایات بھیجتا ہے۔ تینوں ایک دوسرے کا انتظار نہیں کرتے، اس طرح سلسلہ وار انتظار سے پیدا ہونے والی حرکتی رکاوٹ ختم ہو جاتی ہے۔
دو سطحی آن لائن ایکشن ہمواری: ماڈل کا آؤٹ پٹ جداگانہ action points پر مشتمل ہوتا ہے، جنہیں براہِ راست نافذ کرنے سے بلند تعدد کی acceleration اور deceleration کے جھٹکے پیدا ہوتے ہیں۔ Open-RAIL فریم ورک کی سطح پر block کے اندر اور blocks کے درمیان دو سطحی ہمواری نافذ کرتا ہے۔ تمام حساب آن لائن اور حقیقی وقت میں ہوتا ہے، ماڈل کے weights یا post-training میں تبدیلی کے بغیر جوائنٹ ایکسیلریشن کا معیاری انحراف 10+ rad/s² سے کم ہو کر 0.1 rad/s² رہ جاتا ہے، اور ہارڈویئر بلند تعدد کے جھٹکوں سے محفوظ رہتا ہے۔
Server-Client اینڈ، ایج اور کلاؤڈ کی علیحدگی: نظام استدلال کو Server پر متحدہ انداز میں abstract کرتا ہے، جبکہ روبوٹ کا جسم (Client) صرف حرکات نافذ کرتا اور اسٹیٹس رپورٹ کرتا ہے۔ Server کو روبوٹ کے جسم، ایج کمپیوٹنگ یا کلاؤڈ پر تعینات کیا جا سکتا ہے۔ کوڈ مکمل طور پر یکساں رہتا ہے؛ صرف کنکشن ایڈریس تبدیل کرکے اینڈ، ایج اور کلاؤڈ کی تینوں تعیناتی شکلوں کے درمیان بغیر کوڈ تبدیلی کے سوئچ کیا جا سکتا ہے، جس سے ماڈل کا حجم روبوٹ کی embedded کمپیوٹنگ طاقت تک محدود نہیں رہتا۔
ہارڈویئر ابسٹریکشن لیئر اور متحدہ انضمامی معاہدہ: Open-RAIL ہلکی پھلکی ہارڈویئر ابسٹریکشن لیئر (HAL) فراہم کرتا ہے، جو کنٹرول ہدایات، اسٹیٹس ریڈنگ اور ایکشن ایگزیکیوشن کو معیاری شکل میں encapsulate کرتی ہے۔ نئے روبوٹ کو صرف نچلی سطح کی adaptation مکمل کرکے رجسٹر کرنا ہوتا ہے، اوپری سطح کی منطق مکمل طور پر دوبارہ استعمال ہو جاتی ہے۔ ماڈل کی جانب بھی متحدہ استدلالی انٹرفیس متعین ہے؛ نیا ماڈل معیاری انٹرفیس نافذ کرکے شامل کیا جا سکتا ہے، جس کے لیے عموماً صرف 50—100 سطری کوڈ درکار ہوتا ہے، اور مختلف روبوٹس و ماڈلز کے درمیان adaptation کی لاگت کم سے کم رہتی ہے۔

ماحول کی تصدیق: Python ≥ 3.10 والا Linux ماحول تیار کریں۔ سرور کو NVIDIA GPU + CUDA + PyTorch درکار ہے، جبکہ کلائنٹ پر روبوٹ کی ضروریات کے مطابق مینوفیکچرر SDK یا ROS انسٹال کریں۔ دونوں جانب ZMQ کے ذریعے ایک ہی مقامی نیٹ ورک پر رابطہ کیا جا سکتا ہے۔
کوڈ حاصل کریں: Gitee، GitHub یا Huánxīn کمیونٹی سے repository clone کریں (git clone https://gitee.com/cmcc-tao/open-rail.git)۔
انحصارات انسٹال کریں: conda ماحول بنانے کے بعد pip install -e . چلائیں، جو خودکار طور پر vla-server اور vla-web-client کے دو کمانڈ لائن entry points رجسٹر کرے گا۔
سرور شروع کریں: python run_server.py --model_type <ماڈل کی قسم> --model_path <weights کا راستہ> چلائیں۔ منتخب VLA/WAM ماڈل لوڈ ہوگا اور ZMQ کے ذریعے استدلالی endpoint دستیاب ہوگا۔
Web کلائنٹ شروع کریں: python run_web_client.py چلائیں۔ یہ پہلے سے conf/default_conf.yaml پڑھتا ہے اور 9000 پورٹ پر سننے کا عمل کرتا ہے۔ حسب ضرورت configuration کے لیے --conf استعمال کیا جا سکتا ہے۔
کنکشن کی تصدیق: براؤزر میں http://localhost:9000 کھولیں۔ Web انٹرفیس، کیمرہ منظر اور روبوٹ اسٹیٹس تیار نظر آئے تو آغاز کامیاب ہے؛ کام منتخب کرکے روبوٹ چلایا جا سکتا ہے۔
Simulation سے آغاز (حقیقی روبوٹ کے بغیر): conf/robots_conf.py میں Mock backend کے dataset_path کو LeRobot dataset کی طرف متوجہ کریں، پھر --model_type mock کے ساتھ پورے نظام کی ابتدائی تصدیق کریں۔
حقیقی روبوٹ پر عمل درآمد: conf/*.yaml میں robots.type کو مطلوبہ adapter (agibot_g1 / ti5_t170c / navi_wa2) میں تبدیل کریں، اور دستاویزات کے مطابق camera topics اور action_layout ترتیب دے کر وہی دونوں کمانڈز چلائیں۔
اینڈ، ایج اور کلاؤڈ کے درمیان سوئچ: کوڈ میں تبدیلی ضروری نہیں؛ configuration میں صرف سرور کے نیٹ ورک ایڈریس کا فیلڈ تبدیل کرکے استدلال کو روبوٹ، ایج یا کلاؤڈ پر چلایا جا سکتا ہے۔
ڈیٹا اور جائزہ حاصل کریں: ہر run خودکار طور پر LeRobot طرز کا Parquet تربیتی ڈیٹا اور eval/ جائزہ logs (JSON/CSV) تیار کرتا ہے، جنہیں براہِ راست تربیت میں واپس استعمال کیا جا سکتا ہے؛ “استدلال+ٹیلی آپریشن اصلاح” کا مخلوط موڈ اکتوبر میں اوپن سورس کرنے کا منصوبہ ہے۔

حرکات مستحکم اور ہموار: تین thread والی asynchronous پائپ لائن اور دو سطحی آن لائن ہمواری فریم ورک کی سطح پر استدلال اور کنٹرول کی frequency کے 30—50 گنا فرق کو ختم کرتی ہے۔ جوائنٹ ایکسیلریشن کا معیاری انحراف 10+ rad/s² سے کم ہو کر 0.1 rad/s² رہتا ہے، جبکہ ماڈل یا اس کی architecture میں تبدیلی درکار نہیں ہوتی۔
ایک بار adaptation، ہر جگہ دوبارہ استعمال: ہلکی ہارڈویئر ابسٹریکشن لیئر اور متحدہ انضمامی معاہدہ نئے روبوٹ کا integration وقت ہفتوں سے کم کرکے گھنٹوں تک لاتا ہے، جبکہ نئے ماڈل کے لیے صرف 50—100 سطری کوڈ درکار ہوتا ہے۔ اوپری سطح کی منطق مکمل طور پر دوبارہ استعمال کی جا سکتی ہے۔
کمپیوٹنگ طاقت اب رکاوٹ نہیں: Server-Client کی علیحدہ معماری میں استدلال Server پر متحدہ طور پر چلتا ہے۔ صرف ایک کنکشن ایڈریس تبدیل کرکے اینڈ، ایج اور کلاؤڈ تعیناتی کے درمیان بغیر کوڈ تبدیلی کے سوئچ کیا جا سکتا ہے، اور embedded آلات بھی بڑے ماڈلز چلا سکتے ہیں۔
چلائیں، ڈیٹا جمع کریں، جائزہ لیں: ڈیٹا اکٹھا کرنا اور جائزہ logs ہر استدلالی عمل میں شامل ہیں۔ LeRobot طرز کا تیار شدہ ڈیٹا اور دوبارہ قابلِ تولید وقت کے اشاریے خودکار طور پر تیار ہوتے ہیں، جس سے “استدلال-ڈیٹا اکٹھا کرنا-جائزہ” کا مکمل چکر مربوط ہو جاتا ہے۔
انسانی اصلاح تربیتی نمونہ بن جاتی ہے: مخلوط ٹیلی آپریشن موڈ میں کسی بھی وقت عمل روک کر مداخلت، اصلاح اور بحالی کی جا سکتی ہے۔ اصلاح شدہ trajectory اور اصل trajectory کو ٹائم اسٹیمپ کے مطابق سختی سے ہم آہنگ کرکے متوازی طور پر محفوظ کیا جاتا ہے، اور براہِ راست اعلیٰ معیار کے ہدفی تربیتی ڈیٹا میں تبدیل کیا جا سکتا ہے۔
حقیقی منظرناموں میں تصدیق شدہ: موبائل شِنگ کچن روبوٹ ہانگژو کے ایک صنعتی پارک میں معمول کے مطابق کام کر رہا ہے۔ روزانہ سو سے زیادہ کپ کافی تیار کرتا ہے، ہر کپ کا مکمل عمل 90 سیکنڈ میں مکمل ہوتا ہے، اور طویل سلسلے والے کاموں میں پورے عمل کے دوران ماڈل خود فیصلے کرتا ہے، جو بنیادی ڈھانچے کی افادیت کا عملی ثبوت ہے۔

منصوبے کی سرکاری ویب سائٹ: https://cmcc-tao.github.io/open-rail/

تجارتی سروس روبوٹس: مثال کے طور پر پہلے سے متعین “موبائل شِنگ کچن” کافی بنانے، مائیکروویو میں کھانا گرم کرنے اور دیگر طویل سلسلے والی خدمات انجام دیتا ہے۔ یہ روزانہ سو سے زیادہ کپ کافی تیار کرتا ہے، ہر کپ کا مکمل عمل 90 سیکنڈ میں مکمل ہوتا ہے، اور متعدد آرڈرز پر بیک وقت پورے عمل میں ماڈل خود فیصلے کرتا ہے۔
صنعتی معائنہ اور نگرانی: بجلی کے اسٹیشنوں، سرور رومز اور کارخانوں میں آلات کا معائنہ، میٹر ریڈنگ اور غیر معمولی صورتحال کی اطلاع جیسے بار بار دہرائے جانے والے کام انجام دیے جا سکتے ہیں۔ اینڈ، ایج اور کلاؤڈ تعیناتی کے ذریعے بڑے ماڈل کا استدلال ایج یا کلاؤڈ پر چلایا جا سکتا ہے، اس لیے روبوٹ کے جسم کو زیادہ کمپیوٹنگ طاقت درکار نہیں۔
بزرگوں اور طبی معاونت: چائے پانی پیش کرنے، اشیا پہنچانے اور بحالیِ صحت میں معاونت جیسے منظرناموں میں ہموار عمل درآمد انسانوں کے قریب تعامل کے دوران روبوٹ کی حفاظت اور نرمی یقینی بناتا ہے۔
تحقیق اور تدریسی تجربات: جامعات اور ابتدائی مرحلے کی ٹیمیں Mock simulation backend کے ذریعے بغیر ہارڈویئر کے آغاز کرکے VLA ماڈل کے نتائج کی تیزی سے تصدیق کر سکتی ہیں۔ نئے ماڈل کا integration صرف 50—100 سطری کوڈ سے ممکن ہے، جس سے محققین انجینئرنگ پائپ لائن بنانے کے بجائے ماڈل کی جدت پر توجہ دے سکتے ہیں۔