Open-RAIL Đang hoạt động

Open-RAIL là nền tảng kỹ thuật tổng quát cho trí tuệ hiện thân do China Mobile phát hành mã nguồn mở trên toàn cầu, đồng thời là hệ thần kinh tổng quát đầu tiên trong ngành kết nối các mô hình VLA/WAM với phần cứng robot. Ở cấp độ framework, Open-RAIL kết nối toàn bộ vòng lặp suy luận—thực thi—phản hồi dữ liệu—lặp mô hình; pipeline song song giúp độ mượt của chuyển động tăng hai bậc độ lớn, mã triển khai端边云 không cần thay đổi, thời gian tích hợp robot mới được rút ngắn từ vài tuần xuống còn vài giờ, và mô hình mới chỉ cần 50—100 dòng mã. Hiện nền tảng đã hỗ trợ 4 robot không đồng nhất và 10 mô hình phổ biến; robot Mobile Star Chef đã vận hành thường xuyên tại Hàng Châu.

Suy luận và thực thi: tách quan sát, suy luận và điều khiển thành ba pipeline song song, kết hợp với chiến lược làm mượt hai cấp, giúp độ lệch chuẩn gia tốc khớp giảm từ 10+ rad/s² xuống 0.1 rad/s², cho chuyển động ổn định và mượt mà.
Triển khai端边云: tập trung suy luận trên Server, phía robot chỉ负责 thực thi; chỉ cần thay đổi một địa chỉ kết nối là có thể chuyển đổi linh hoạt giữa thiết bị, biên và đám mây, không còn bị giới hạn lựa chọn mô hình bởi năng lực tính toán.
Thích ứng robot không đồng nhất: thông qua lớp trừu tượng phần cứng nhẹ và quy ước tích hợp mô hình thống nhất, chuẩn hóa các giao diện điều khiển và trạng thái; thay robot hoặc mô hình không cần xây dựng lại từ đầu.
Vòng lặp dữ liệu: thu thập dữ liệu được tích hợp trong mỗi lần suy luận và thực thi; hình ảnh đa góc nhìn, trạng thái khớp và kết quả suy luận tự động được lưu trữ theo định dạng tiêu chuẩn dùng ngay, có thể trực tiếp đưa vào vòng huấn luyện tiếp theo.
Kết hợp suy luận và điều khiển từ xa: khi mô hình đi lệch, con người có thể can thiệp hiệu chỉnh bất cứ lúc nào; quỹ đạo hiệu chỉnh và quỹ đạo gốc được lưu song song với dấu thời gian căn chỉnh nghiêm ngặt, mỗi lần hiệu chỉnh thủ công đều là một lần hướng dẫn chất lượng cao.
Vòng lặp “suy luận—thu thập—đánh giá”: kết nối suy luận mô hình, thực thi của robot, phản hồi dữ liệu và lặp mô hình thành một vòng lặp tổng quát, bổ sung khoảng trống của ngành và cho phép nhân rộng hiệu quả trên nhiều robot và mô hình hơn.

Theo dõi WeChat và trả lời “开源” để tham gia nhóm trao đổi dự án AI mã nguồn mở
Kiến trúc suy luận bằng pipeline song song: trước khoảng cách 30—50 lần giữa độ trễ suy luận của mô hình VLA/WAM và chu kỳ điều khiển robot, Open-RAIL tách quan sát, suy luận và điều khiển ở phía robot thành ba pipeline song song: luồng quan sát liên tục thu thập môi trường và trạng thái khớp, luồng suy luận liên tục tính toán các khối hành động, luồng điều khiển liên tục gửi lệnh xuống bộ điều khiển; ba luồng không chờ nhau, qua đó loại bỏ hiện tượng giật do chờ tuần tự.
Làm mượt hành động trực tuyến hai cấp: đầu ra của mô hình là các điểm hành động rời rạc, thực thi trực tiếp sẽ tạo ra va chạm tăng giảm tốc tần số cao. Open-RAIL triển khai chiến lược làm mượt hai cấp trong khối và giữa các khối ở cấp framework, toàn bộ được tính toán trực tuyến theo thời gian thực; không cần sửa trọng số mô hình hay huấn luyện bổ sung, vẫn có thể giảm độ lệch chuẩn gia tốc khớp từ 10+ rad/s² xuống 0.1 rad/s², giúp phần cứng không còn chịu tác động tần số cao.
Tách biệt端边云 Server-Client: hệ thống trừu tượng hóa suy luận thống nhất trên phía Server, còn phần cứng robot (Client) chỉ负责 thực thi hành động và báo cáo trạng thái. Server có thể triển khai trên robot, năng lực tính toán biên hoặc đám mây; mã hoàn toàn giống nhau, chỉ cần thay đổi địa chỉ kết nối là có thể chuyển đổi giữa ba hình thức triển khai thiết bị, biên và đám mây mà không sửa mã, giúp quy mô mô hình không còn bị ràng buộc bởi năng lực tính toán nhúng của robot.
Lớp trừu tượng phần cứng và quy ước tích hợp thống nhất: Open-RAIL tách ra lớp trừu tượng phần cứng nhẹ (HAL), đóng gói và chuẩn hóa lệnh điều khiển, đọc trạng thái và thực thi hành động. Robot mới chỉ cần triển khai bộ thích ứng tầng thấp và đăng ký là có thể tái sử dụng toàn bộ logic tầng trên; phía mô hình cũng định nghĩa giao diện suy luận thống nhất, mô hình mới chỉ cần triển khai giao diện tiêu chuẩn để tích hợp, thường chỉ cần 50—100 dòng mã, giảm tối đa chi phí thích ứng giữa các robot và mô hình.

Xác nhận môi trường: chuẩn bị môi trường Linux với Python ≥ 3.10; phía máy chủ cần NVIDIA GPU + CUDA + PyTorch, phía máy khách cài SDK của nhà sản xuất hoặc ROS theo yêu cầu của robot; hai phía chỉ cần giao tiếp qua ZMQ trong cùng mạng LAN.
Lấy mã nguồn: clone kho lưu trữ từ Gitee, GitHub hoặc cộng đồng Huànxīn (git clone https://gitee.com/cmcc-tao/open-rail.git).
Cài đặt phụ thuộc: sau khi tạo môi trường conda, chạy pip install -e ., hệ thống sẽ tự động đăng ký hai lệnh dòng lệnh vla-server và vla-web-client.
Khởi động máy chủ: chạy python run_server.py --model_type <模型类型> --model_path <权重路径>, nạp mô hình VLA/WAM đã chọn và cung cấp endpoint suy luận qua ZMQ.
Khởi động Web client: chạy python run_web_client.py (mặc định đọc conf/default_conf.yaml và lắng nghe cổng 9000), có thể dùng --conf để chỉ định cấu hình tùy chỉnh.
Xác minh kết nối: mở http://localhost:9000 trong trình duyệt; khi giao diện Web, hình ảnh camera và trạng thái robot hiển thị sẵn sàng thì khởi động thành công, sau khi chọn nhiệm vụ có thể điều khiển robot.
Bắt đầu với mô phỏng (không có robot thật): trong conf/robots_conf.py, trỏ dataset_path của backend Mock tới tập dữ liệu LeRobot, kết hợp với --model_type mock để xác minh toàn bộ pipeline trước.
Thực thi trên robot thật: thay robots.type trong conf/*.yaml bằng bộ thích ứng mục tiêu (agibot_g1 / ti5_t170c / navi_wa2), sau đó cấu hình chủ đề camera và action_layout theo tài liệu rồi khởi động bằng hai lệnh tương tự.
Chuyển đổi端边云: không cần sửa mã, chỉ thay đổi trường địa chỉ mạng máy chủ trong cấu hình để chạy suy luận trên robot, biên hoặc đám mây.
Lấy dữ liệu và đánh giá: mỗi lần chạy tự động tạo dữ liệu huấn luyện Parquet theo phong cách LeRobot và nhật ký đánh giá trong eval/ (JSON/CSV), có thể trực tiếp đưa trở lại huấn luyện; chế độ kết hợp “suy luận + điều khiển từ xa hiệu chỉnh” dự kiến phát hành mã nguồn mở vào tháng 10.

Chuyển động ổn định và mượt mà: pipeline bất đồng bộ ba luồng cùng làm mượt trực tuyến hai cấp loại bỏ ở cấp framework chênh lệch 30—50 lần giữa tần số suy luận và điều khiển, giảm độ lệch chuẩn gia tốc khớp từ 10+ rad/s² xuống 0.1 rad/s², đồng thời không sửa mô hình và không giới hạn kiến trúc mô hình.
Thích ứng một lần, tái sử dụng mọi nơi: lớp trừu tượng phần cứng nhẹ cùng quy ước tích hợp thống nhất rút ngắn thời gian tích hợp robot mới từ vài tuần xuống vài giờ; mô hình mới chỉ cần 50—100 dòng mã, toàn bộ logic tầng trên được tái sử dụng.
Năng lực tính toán không còn là rào cản: với kiến trúc tách biệt máy chủ—máy khách, suy luận được đặt thống nhất trên Server; chỉ cần thay đổi một địa chỉ kết nối là có thể chuyển đổi triển khai thiết bị, biên và đám mây mà không sửa mã, giúp thiết bị nhúng cũng có thể điều khiển mô hình lớn.
Vận hành là thu thập và đánh giá: thu thập dữ liệu và nhật ký đánh giá được tích hợp trong mỗi lần suy luận, tự động tạo dữ liệu theo phong cách LeRobot dùng ngay và các chỉ số thời gian có thể tái lập, hoàn thiện vòng lặp “suy luận—thu thập—đánh giá”.
Hiệu chỉnh thủ công là mẫu huấn luyện: trong chế độ điều khiển từ xa kết hợp, người dùng có thể tạm dừng, can thiệp hiệu chỉnh và khôi phục bất cứ lúc nào; quỹ đạo hiệu chỉnh và quỹ đạo gốc được lưu song song với dấu thời gian căn chỉnh nghiêm ngặt, trực tiếp trở thành dữ liệu huấn luyện định hướng chất lượng cao.
Đã được kiểm chứng trong tình huống thực tế: robot Mobile Star Chef đã vận hành thường xuyên tại khuôn viên ở Hàng Châu, phục vụ hơn 100 cốc cà phê mỗi ngày, hoàn tất toàn bộ quy trình mỗi cốc trong 90 giây; các nhiệm vụ chuỗi dài đều do mô hình tự chủ quyết định, chứng minh giá trị của nền tảng.

Trang web dự án: https://cmcc-tao.github.io/open-rail/

Robot dịch vụ thương mại: chẳng hạn “Mobile Star Chef” đã được triển khai, thực hiện các nhiệm vụ dịch vụ chuỗi dài như pha cà phê và hâm nóng thức ăn bằng lò vi sóng; phục vụ hàng trăm cốc cà phê mỗi ngày, hoàn tất toàn bộ quy trình mỗi cốc trong 90 giây, xử lý nhiều đơn hàng song song với quyết định hoàn toàn tự chủ của mô hình.
Tuần tra và trực giám sát công nghiệp: thực hiện các nhiệm vụ lặp lại như kiểm tra thiết bị, đọc đồng hồ đo và cảnh báo bất thường tại trạm biến áp, phòng máy và khu nhà máy; triển khai端边云 cho phép đặt suy luận mô hình lớn ở biên hoặc trên đám mây, không yêu cầu robot có năng lực tính toán lớn.
Hỗ trợ người cao tuổi và y tế: trong các tình huống như rót trà, đưa nước, chuyển đồ vật và hỗ trợ phục hồi chức năng, khả năng thực thi mượt mà bảo đảm an toàn và sự nhẹ nhàng khi robot tương tác ở khoảng cách gần với con người.
Thí nghiệm nghiên cứu và giảng dạy: các trường đại học và nhóm khởi nghiệp có thể bắt đầu với backend mô phỏng Mock mà không cần phần cứng để nhanh chóng xác minh hiệu quả mô hình VLA; mô hình mới chỉ cần 50—100 dòng mã để tích hợp, giúp nhà nghiên cứu tập trung vào đổi mới mô hình và không phải tự xây dựng pipeline kỹ thuật.