EVA-Client：面向真实机器人具身策略的统一数据收集、推理与部署框架
EVA-Client 是一个开源框架，用于在真实机器人上部署、收集数据和评估训练好的操作策略。它位于策略服务器与物理硬件之间，将策略迭代循环中的真实机器人阶段统一到单个代码库中。框架采用组件解耦架构，支持调试、收集和评估工作流，并且每次评估运行同时作为数据收集，为下一轮训练提供训练就绪格式的完整轨迹。
EVA-Client 是一个全新的开源框架，旨在统一真实机器人上操作策略的部署、数据收集与评估流程。该框架由 Heqing Yang 等十一位研究者共同提出，于2026年7月2日提交至 arXiv。作为策略服务器与物理硬件之间的中间层，EVA-Client 将策略迭代循环中涉及真实机器人的所有阶段整合到一个代码库中，从而简化了从训练到部署的整个流程。
EVA-Client 的核心贡献包括三个方面。首先，其组件解耦架构将机器人后端、推理策略和传输中间件设计为正交的独立层。这意味着添加一种新型机器人或一种新的推理策略时，修改仅局限于对应层，而不会影响其他组件，极大提高了框架的可扩展性和可维护性。例如，研究者可以独立更换机器人硬件或调整推理策略，而无需重写整个系统。
其次，框架提供了可检查的执行环境，包括调试（Debug）、收集（Collect）和评估（Eval）三种工作流。这些工作流支持从开环模拟到连续实时控制的多达六种模式，使研究者能够灵活地测试和验证策略在不同条件下的表现。调试模式允许逐步检查每个动作，收集模式用于获取训练数据，而评估模式则自动执行完整的策略评估流程。
第三，EVA-Client 实现了评估与数据收集的一体化。每次评估运行不仅记录策略的执行结果，还会自动生成训练就绪格式的完整轨迹数据，并附有详尽的日志和并排比较查看器。这意味着每一次评估都直接为下一轮训练提供数据，而不会沦为一次无记录的印象。这种设计显著减少了重复劳动，加速了策略迭代。
此外，EVA-Client 还整合了多种主流的实时推理策略，包括同步与异步执行、ACT 风格的时间集成、实时分块（Real-Time Chunking）以及朴素异步消融基线。所有这些策略都可以通过统一的配置界面进行切换和调优，无需修改代码。框架还提供了与常见机器人平台（如 Franka Emika 和 UR5）的集成，并支持多种传输中间件（如 gRPC 和 ROS 2）。目前，EVA-Client 的代码和文档已在 GitHub 上开源，研究者可以自由获取并使用。该框架的目标是成为机器人操作策略部署的标准工具，降低真实机器人实验的准入门槛。