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資料收集、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、收集資料和評估訓練好的操作策略。它位於策略伺服器與物理硬體之間，將策略迭代迴圈中的真實機器人階段統一到單個程式碼庫中。框架採用元件解耦架構，支援除錯、收集和評估工作流，並且每次評估執行同時作為資料收集，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、資料收集與評估流程。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。作為策略伺服器與物理硬體之間的中間層，EVA-Client 將策略迭代迴圈中涉及真實機器人的所有階段整合到一個程式碼庫中，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，其元件解耦架構將機器人後端、推理策略和傳輸中介軟體設計為正交的獨立層。這意味著新增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，而不會影響其他元件，極大提高了框架的可擴充套件性和可維護性。例如，研究者可以獨立更換機器人硬體或調整推理策略，而無需重寫整個系統。

其次，框架提供了可檢查的執行環境，包括除錯（Debug）、收集（Collect）和評估（Eval）三種工作流。這些工作流支援從開環模擬到連續即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。除錯模式允許逐步檢查每個動作，收集模式用於獲取訓練資料，而評估模式則自動執行完整的策略評估流程。

第三，EVA-Client 實現了評估與資料收集的一體化。每次評估執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資料，並附有詳盡的日誌和並排比較檢視器。這意味著每一次評估都直接為下一輪訓練提供資料，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即時推理策略，包括同步與非同步執行、ACT 風格的時間整合、即時分塊（Real-Time Chunking）以及樸素非同步消融基線。所有這些策略都可以透過統一的配置介面進行切換和調優，無需修改程式碼。框架還提供了與常見機器人平臺（如 Franka Emika 和 UR5）的整合，並支援多種傳輸中介軟體（如 gRPC 和 ROS 2）。目前，EVA-Client 的程式碼和文件已在 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。