Open-RAIL Faoliyat yuritmoqda

Open-RAIL — China Mobile tomonidan butun dunyo uchun ochiq manba sifatida taqdim etilgan embodied intelligence uchun universal muhandislik bazasi bo‘lib, sohada VLA/WAM modellari bilan robot platformasini bog‘lovchi birinchi universal neyron tizimdir. Open-RAIL framework darajasida inferensiya — ijro — ma’lumotlarni qayta yig‘ish — model iteratsiyasi yopiq siklini birlashtiradi. Parallel pipeline harakat silliqligini ikki darajaga oshiradi, edge va cloud joylashtirish kodini o‘zgartirish talab qilmaydi, yangi robotni ulash muddatini haftalardan soatlarga qisqartiradi, yangi modelni ulash uchun esa atigi 50—100 qator kod kifoya. Hozirda 4 xil robotga moslashtirilgan va 10 ta asosiy modelni qo‘llab-quvvatlaydi; Mobile Star Chef roboti Xanchjouda muntazam ishlamoqda.

Inferensiya va ijro: kuzatuv, inferensiya va boshqaruvni uchta parallel pipeline’ga ajratib, ikki bosqichli silliqlash strategiyasi bilan birlashtiradi. Bu bo‘g‘im tezlanishi standart og‘ishini 10+ rad/s² dan 0,1 rad/s² gacha tushirib, harakatni barqaror va silliq qiladi.
Edge va cloud joylashtirish: inferensiya Server tomonida yagona tarzda bajariladi, robot tomoni esa faqat ijro uchun javob beradi. Ulanish manzilini bir joyda o‘zgartirish orqali edge, qurilma va cloud o‘rtasida ehtiyojga ko‘ra almashish mumkin, hisoblash quvvati endi model tanlovini cheklamaydi.
Turli robotlarga moslashuv: yengil apparat abstraksiyasi qatlami va yagona model ulash kelishuvi orqali boshqaruv hamda holat interfeyslarini standartlashtiradi; robot yoki modelni almashtirishda tizimni qaytadan qurish shart emas.
Ma’lumotlar yopiq sikli: ma’lumot yig‘ish har bir inferensiya va ijro jarayoniga integratsiya qilingan. Turli rakursdagi tasvirlar, bo‘g‘im holati va inferensiya natijalari avtomatik ravishda tayyor standart formatda arxivlanadi va keyingi treningga bevosita uzatilishi mumkin.
Inferensiya va teleoperatsiya aralash rejimi: model noto‘g‘ri ishlaganda operator istalgan vaqtda aralashib, yo‘nalishni tuzatishi mumkin. Tuzatilgan trayektoriya va original trayektoriya vaqt tamg‘alari qat’iy moslashtirilgan holda parallel saqlanadi; har bir qo‘lda tuzatish yuqori sifatli yo‘naltirilgan o‘quv namunasi hisoblanadi.
“Uzatuvchi-qayta yig‘uvchi-baholovchi” yopiq sikli: model inferensiyasi, robot ijrosi, ma’lumotlarning qaytishi va model iteratsiyasini universal siklga birlashtiradi, sohadagi bo‘shliqni to‘ldiradi va natijalarni ko‘proq robot hamda modellarga ommaviy ko‘chirish imkonini beradi.

WeChat’da kuzatib, “开源” deb javob yuboring va AI ochiq manba loyihalari guruhiga qo‘shiling
Parallel pipeline inferensiya arxitekturasi: VLA/WAM modellari inferensiyasi kechikishi bilan robot boshqaruv sikli o‘rtasidagi 30—50 baravar farqni bartaraf etish uchun Open-RAIL robot tomonida kuzatuv, inferensiya va boshqaruvni uchta parallel pipeline’ga ajratadi: kuzatuv oqimi muhit va bo‘g‘im holatini uzluksiz yig‘adi, inferensiya oqimi harakat bloklarini uzluksiz hisoblaydi, boshqaruv oqimi esa quyi darajadagi qurilmaga buyruqlarni uzluksiz yuboradi. Ular bir-birini kutmaydi va ketma-ket kutish sababli yuzaga keladigan harakat qotib qolishini bartaraf etadi.
Ikki bosqichli onlayn harakat silliqlashi: model diskret harakat nuqtalarini chiqaradi, ularni bevosita ijro etish esa yuqori chastotali tezlanish va sekinlashuv zarbalarini keltirib chiqaradi. Open-RAIL framework darajasida blok ichidagi va bloklar orasidagi ikki bosqichli silliqlash strategiyasini amalga oshiradi. Barcha hisob-kitoblar onlayn va real vaqt rejimida bajariladi; model og‘irliklari yoki post-treningni o‘zgartirmasdan bo‘g‘im tezlanishi standart og‘ishini 10+ rad/s² dan 0,1 rad/s² gacha kamaytiradi va apparatni yuqori chastotali zarbalardan himoya qiladi.
Server-Client orqali qurilma-edge-cloud ajratilishi: tizim inferensiyani Server tomonida yagona abstraksiyaga keltiradi, robot platformasi (Client) esa faqat harakatni ijro etish va holatni yuborish uchun javob beradi. Server robot platformasi, edge hisoblash qurilmasi yoki cloud’da joylashtirilishi mumkin. Kod to‘liq bir xil qoladi; faqat ulanish manzilini o‘zgartirish orqali qurilma, edge va cloud joylashtirish shakllari o‘rtasida kodni o‘zgartirmasdan almashish mumkin. Shu tariqa model hajmi robotning o‘rnatilgan hisoblash quvvatiga bog‘liq bo‘lmaydi.
Apparat abstraksiyasi qatlami va yagona ulash kelishuvi: Open-RAIL yengil apparat abstraksiyasi qatlamini (HAL) ajratib, boshqaruv buyruqlari, holatni o‘qish va harakat ijrosini standartlashtirilgan tarzda qamrab oladi. Yangi robot faqat quyi darajadagi adapterini amalga oshirib, ro‘yxatdan o‘tishi kerak; yuqori darajadagi mantiq to‘liq qayta ishlatiladi. Model tomonida ham yagona inferensiya interfeysi belgilangan: yangi model standart interfeysni amalga oshirib tizimga ulanadi. Odatda 50—100 qator kod kifoya qiladi va turli robotlar hamda modellar o‘rtasidagi moslashtirish xarajati minimal darajaga tushadi.

Muhitni tayyorlash: Python ≥ 3.10 o‘rnatilgan Linux muhiti tayyorlang. Server uchun NVIDIA GPU + CUDA + PyTorch, klient uchun esa robot talablariga muvofiq ishlab chiqaruvchi SDK yoki ROS o‘rnatilishi kerak. Ikki tomon ZMQ orqali bir xil lokal tarmoqda aloqa qiladi.
Kodni olish: repozitoriyni Gitee, GitHub yoki Huanxin hamjamiyatidan klonlang (git clone https://gitee.com/cmcc-tao/open-rail.git).
Bog‘liqliklarni o‘rnatish: conda muhitini yaratgandan so‘ng pip install -e . buyrug‘ini bajaring. Bu vla-server va vla-web-client nomli ikkita buyruq qatori kirish nuqtasini avtomatik ro‘yxatdan o‘tkazadi.
Serverni ishga tushirish: python run_server.py --model_type <model turi> --model_path <og‘irliklar yo‘li> buyrug‘ini bajaring. Tanlangan VLA/WAM modelini yuklab, ZMQ orqali inferensiya endpoint’ini taqdim etadi.
Web klientni ishga tushirish: python run_web_client.py buyrug‘ini bajaring. U sukut bo‘yicha conf/default_conf.yaml faylini o‘qiydi va 9000-portni tinglaydi; maxsus konfiguratsiya uchun --conf parametridan foydalanish mumkin.
Ulanishni tekshirish: brauzerda http://localhost:9000 manzilini oching. Web interfeysi, kamera tasviri va robot holati tayyor ekanini ko‘rsangiz, ishga tushirish muvaffaqiyatli bo‘lgan; vazifani tanlab robotni boshqarishingiz mumkin.
Simulyatsiyadan boshlash (haqiqiy robotsiz): conf/robots_conf.py faylida Mock backend’ining dataset_path qiymatini LeRobot ma’lumotlar to‘plamiga yo‘naltiring va --model_type mock parametri bilan butun zanjirni avval tekshiring.
Haqiqiy robotda ijro: conf/*.yaml fayllaridagi robots.type qiymatini kerakli adapterga (agibot_g1 / ti5_t170c / navi_wa2) o‘zgartiring, hujjatlarga muvofiq kamera mavzusi va action_layout’ni sozlang, so‘ng shu ikki buyruq bilan ishga tushiring.
Qurilma-edge-cloud o‘rtasida almashish: kodni o‘zgartirish shart emas; konfiguratsiyadagi server tarmoq manzilini o‘zgartirish orqali inferensiyani robot platformasi, edge yoki cloud’da bajarish mumkin.
Ma’lumot olish va baholash: har bir ishga tushirish LeRobot uslubidagi Parquet trening ma’lumotlari va eval/ baholash jurnallarini (JSON/CSV) avtomatik yaratadi. Ular tayyor holda keyingi treningga qaytariladi; “inferensiya+teleoperatsiya orqali tuzatish” aralash rejimini oktyabr oyida ochiq manbaga chiqarish rejalashtirilgan.

Harakat barqaror va silliq: uch oqimli asinxron pipeline hamda ikki bosqichli onlayn silliqlash framework darajasida inferensiya va boshqaruv chastotalari o‘rtasidagi 30—50 baravar farqni bartaraf etadi. Bo‘g‘im tezlanishi standart og‘ishi 10+ rad/s² dan 0,1 rad/s² gacha kamayadi, bunda model o‘zgartirilmaydi va model arxitekturasi cheklanmaydi.
Bir marta moslashtiring, hamma joyda qayta foydalaning: yengil apparat abstraksiyasi qatlami va yagona ulash kelishuvi yangi robotni ulash muddatini haftalardan soatlarga qisqartiradi, yangi modelni ulash uchun esa atigi 50—100 qator kod talab etiladi; yuqori darajadagi mantiq to‘liq qayta ishlatiladi.
Hisoblash quvvati endi to‘siq emas: Server-klient ajratilgan arxitekturasi inferensiyani Server tomonida yagona tarzda bajaradi. Ulanish manzilini bir joyda o‘zgartirish orqali qurilma, edge va cloud joylashtirishlari o‘rtasida kodsiz almashish mumkin; o‘rnatilgan qurilmalar ham katta modellarni ishga tushira oladi.
Ishlash bilan birga yig‘ish va baholash: ma’lumot yig‘ish hamda baholash jurnallari har bir inferensiya ijrosiga integratsiya qilingan. LeRobot uslubidagi tayyor ma’lumotlar va qayta tiklanadigan vaqt ko‘rsatkichlari avtomatik yaratiladi, “uzatuvchi-qayta yig‘uvchi-baholovchi” yopiq sikli birlashtiriladi.
Operator tuzatishi o‘quv namunasiga aylanadi: aralash teleoperatsiya rejimida istalgan vaqtda pauza qilish, aralashib tuzatish va davom ettirish mumkin. Tuzatilgan trayektoriya va original trayektoriya vaqt tamg‘alari qat’iy moslashtirilgan holda parallel saqlanadi va bevosita yuqori sifatli yo‘naltirilgan trening ma’lumotiga aylanadi.
Haqiqiy sharoitlarda sinovdan o‘tgan: Mobile Star Chef roboti Xanchjou parkida muntazam ishlamoqda, kuniga o‘rtacha 100 dan ortiq chashka qahva tayyorlaydi, har bir chashka uchun to‘liq jarayon 90 soniya davom etadi. Uzun ketma-ketlikdagi vazifalarda qarorlar to‘liq model tomonidan mustaqil qabul qilinadi, bu esa platforma qiymatini amalda tasdiqlaydi.

Loyiha rasmiy sayti: https://cmcc-tao.github.io/open-rail/

Tijoriy xizmat robotlari: masalan, amaliyotga joriy etilgan “Mobile Star Chef” qahva tayyorlash, mikroto‘lqinli pechda taom isitish kabi uzun ketma-ketlikdagi xizmat vazifalarini bajaradi. Kuniga yuzlab chashka qahva tayyorlanadi, har bir chashka uchun to‘liq jarayon 90 soniya davom etadi, bir nechta buyurtma parallel bajarilganda qarorlar to‘liq model tomonidan mustaqil qabul qilinadi.
Sanoat inspeksiyasi va navbatchilik: podstansiyalar, server xonalari va zavod hududlarida uskunalarni tekshirish, asbob ko‘rsatkichlarini o‘qish, noodatiy holatlar haqida ogohlantirish kabi takroriy vazifalarni bajaradi. Qurilma-edge-cloud joylashtirish modeli katta model inferensiyasini edge yoki cloud’da bajarish imkonini beradi, robot platformasiga katta hisoblash quvvati kerak bo‘lmaydi.
Keksalar va tibbiyotga ko‘mak: choy va suv uzatish, buyumlarni yetkazish, reabilitatsiyaga yordam berish kabi vazifalarda silliq ijro robotning inson bilan yaqin masofadagi o‘zaro ta’sirida xavfsizlik va yumshoqlikni ta’minlaydi.
Ilmiy tadqiqot va ta’lim tajribalari: universitetlar va startap jamoalari Mock simulyatsiya backend’i orqali apparatsiz boshlanib, VLA modellari samaradorligini tezda tekshirishi mumkin. Yangi modelni ulash uchun atigi 50—100 qator kod kerak bo‘ladi, tadqiqotchilar muhandislik pipeline’ini qurishga vaqt sarflamasdan model innovatsiyasiga e’tibor qaratadi.