AI News HubLIVE
站內改寫2 分鐘閱讀

EVA-Client：面向真實機器人具身策略的統一數據收集、推理與部署框架

EVA-Client 是一個開源框架，用於在真實機器人上部署、收集數據和評估訓練好的操作策略。它位於策略服務器與物理硬件之間，將策略迭代循環中的真實機器人階段統一到單個代碼庫中。框架採用組件解耦架構，支持調試、收集和評估工作流，並且每次評估運行同時作為數據收集，為下一輪訓練提供訓練就緒格式的完整軌跡。

來源arXiv Robotics作者: Heqing Yang, Yang Yi, Liyao Wang, Linqing Zhong, Donglin Yang, Ruipu Wu, Zitong Bai, Fengjiao Chen, Manyuan Zhang, Linjiang Huang, Si Liu

EVA-Client 是一個全新的開源框架，旨在統一真實機器人上操作策略的部署、數據收集與評估流程。該框架由 Heqing Yang 等十一位研究者共同提出，於2026年7月2日提交至 arXiv。作為策略服務器與物理硬件之間的中間層，EVA-Client 將策略迭代循環中涉及真實機器人的所有階段整合到一個代碼庫中，從而簡化了從訓練到部署的整個流程。

EVA-Client 的核心貢獻包括三個方面。首先，其組件解耦架構將機器人後端、推理策略和傳輸中間件設計為正交的獨立層。這意味着添加一種新型機器人或一種新的推理策略時，修改僅侷限於對應層，而不會影響其他組件，極大提高了框架的可擴展性和可維護性。例如，研究者可以獨立更換機器人硬件或調整推理策略，而無需重寫整個系統。

其次，框架提供了可檢查的執行環境，包括調試（Debug）、收集（Collect）和評估（Eval）三種工作流。這些工作流支持從開環模擬到連續實時控制的多達六種模式，使研究者能夠靈活地測試和驗證策略在不同條件下的表現。調試模式允許逐步檢查每個動作，收集模式用於獲取訓練數據，而評估模式則自動執行完整的策略評估流程。

第三，EVA-Client 實現了評估與數據收集的一體化。每次評估運行不僅記錄策略的執行結果，還會自動生成訓練就緒格式的完整軌跡數據，並附有詳盡的日誌和並排比較查看器。這意味着每一次評估都直接為下一輪訓練提供數據，而不會淪為一次無記錄的印象。這種設計顯著減少了重複勞動，加速了策略迭代。

此外，EVA-Client 還整合了多種主流的實時推理策略，包括同步與異步執行、ACT 風格的時間集成、實時分塊（Real-Time Chunking）以及樸素異步消融基線。所有這些策略都可以通過統一的配置界面進行切換和調優，無需修改代碼。框架還提供了與常見機器人平台（如 Franka Emika 和 UR5）的集成，並支持多種傳輸中間件（如 gRPC 和 ROS 2）。目前，EVA-Client 的代碼和文檔已在 GitHub 上開源，研究者可以自由獲取並使用。該框架的目標是成為機器人操作策略部署的標準工具，降低真實機器人實驗的准入門檻。