Open-RAIL – 中國移動開源的具身智能通用工程底座

0 0 0

Open-RAIL是什麼

Open-RAIL 是中國移動向全球開源的具身智能通用工程底座，同時是行業內首個連接 VLA/WAM 模型與機器人本體的通用神經系統。Open-RAIL 在框架層面打通推理—執行—數據迴流—模型迭代閉環，並行流水線讓動作平滑度提升兩個數量級，端邊雲部署代碼零改動，新機器人接入從以周計壓到以小時計，新模型僅需 50—100 行代碼。目前已適配 4 款異構機器人、支持 10 個主流模型，移動星廚機器人已在杭州常態化運行。

Open-RAIL的主要功能

推理執行：將觀測、推理、控制拆成三條並行流水線並配合兩級平滑策略，讓關節加速度標準差從 10+ rad/s² 降至 0.1 rad/s²，動作又穩又順。
端邊雲部署：推理統一放在 Server 端，機器人側只負責執行，改一處連接地址即可在端、邊、雲之間按需切換，算力不再限制模型選擇。
異構適配：通過輕量級硬件抽象層和統一模型接入約定標準化控制與狀態接口，換機器人、換模型無需推倒重來。
數據閉環：數據採集內嵌進每次推理執行，多視角圖像、關節狀態、推理結果自動歸檔爲開箱即用的標準格式，可直接喂入下一輪訓練。
推理與遙操混合：模型跑偏時人工可隨時介入糾偏，糾偏軌跡與原始軌跡時間戳嚴格對齊並行保存，每次人工糾偏都是一次高質量定向教學。
“推-採-評”閉環：把模型推理、機器人執行、數據迴流、模型迭代打通成通用閉環，填補行業空白，讓效果可批量複製到更多機器人與模型上。

Open-RAIL的技術原理

並行流水線推理架構：針對 VLA/WAM 模型推理延遲與機器人控制週期之間 30—50 倍的差距，Open-RAIL在機器人側將觀測、推理、控制拆爲三條並行流水線：觀測線程持續採集環境與關節狀態，推理線程持續計算動作塊，控制線程持續向下位機下發指令，三者互不等待，從而消除串行等待造成的動作卡頓。
兩級在線動作平滑：模型輸出的是離散動作點，直接執行會產生高頻加減速衝擊。Open-RAIL 在框架層面實現塊內、塊間兩級平滑策略，全部在線實時計算，無需修改模型權重或後訓練，即可將關節加速度標準差從 10+ rad/s² 降至 0.1 rad/s²，讓硬件不再承受高頻衝擊。
Server-Client 端邊雲解耦：系統將推理統一抽象到 Server 端，機器人本體（Client）只負責動作執行與狀態上報。Server 可部署在本體、邊緣算力或雲端，代碼完全一致，僅需修改連接地址，即可實現端、邊、雲三種部署形態的零改動切換，使模型規模不再受本體嵌入式算力約束。
硬件抽象層與統一接入約定：Open-RAIL 抽出輕量級硬件抽象層（HAL），將控制指令、狀態讀取、動作執行標準化封裝，新機器人只需實現底層適配並完成註冊，上層邏輯完全複用；模型側同樣定義統一推理接口，新模型實現標準接口即可接入，通常只需 50—100 行代碼，把跨本體、跨模型的適配成本降至最低。

Open-RAIL – 中國移動開源的具身智能通用工程底座

微信關注回覆“開源”，加入AI開源項目交流羣

如何使用Open-RAIL

確認環境：準備 Python ≥ 3.10 的 Linux 環境，服務端需 NVIDIA GPU + CUDA + PyTorch，客戶端按機器人要求安裝廠商 SDK 或 ROS，兩側通過 ZMQ 在同一局域網內通信即可。
獲取代碼：從 Gitee、GitHub 或煥新社區克隆倉庫（git clone https://gitee.com/cmcc-tao/open-rail.git）。
安裝依賴：創建 conda 環境後執行 pip install -e .，會自動註冊 vla-server 和 vla-web-client 兩個命令行入口。
啓動服務端：運行 python run_server.py --model_type <模型類型> --model_path <權重路徑>，加載所選 VLA/WAM 模型並通過 ZMQ 暴露推理端點。
啓動 Web 客戶端：運行 python run_web_client.py（默認讀取 conf/default_conf.yaml，監聽 9000 端口），可用 --conf 指定自定義配置。
驗證連接：瀏覽器打開 http://localhost:9000，能看到 Web 界面、相機畫面與機器人狀態就緒即說明啓動成功，選擇任務後即可驅動機器人。
仿真起步（無真機）：在 conf/robots_conf.py 中把 Mock 後端的 dataset_path 指向 LeRobot 數據集，配合 --model_type mock 即可先驗證全鏈路。
真機執行：修改 conf/*.yaml 中的 robots.type 爲目標適配器（agibot_g1 / ti5_t170c / navi_wa2），並按文檔配置相機話題和 action_layout 後同樣兩條命令啓動。
端邊雲切換：無需改代碼，只修改配置中的服務端網絡地址字段，可讓推理跑在本體、邊緣或雲端。
獲取數據與評估：每次運行自動產出 LeRobot 風格 Parquet 訓練數據和 eval/ 評估日誌（JSON/CSV），開箱即用直接迴流訓練；”推理+遙操糾偏”混合模式計劃 10 月開源。

Open-RAIL的核心優勢

動作又穩又順：三線程異步流水線加兩級在線平滑在框架層消除 30—50 倍的推理-控制頻率差，關節加速度標準差從 10+ rad/s² 降到 0.1 rad/s²，且不改模型、不限模型架構。
一次適配處處複用：輕量硬件抽象層加統一接入約定，讓新機器人接入從以周計壓到以小時計、新模型接入僅需 50—100 行代碼，上層邏輯完全複用。
算力不再是門檻：服務端-客戶端解耦架構下推理統一放 Server 端，只改一處連接地址即可零代碼切換端、邊、雲部署，嵌入式設備也能驅動大模型。
運行即採集即評估：數據採集和評估日誌內嵌進每一次推理執行，自動產出開箱即用的 LeRobot 風格數據與可復現的耗時指標，打通”推-採-評”閉環。
人工糾偏即教學樣本：混合遙操模式下可隨時暫停、介入糾偏、恢復，糾偏軌跡與原始軌跡時間戳嚴格對齊並行保存，直接成爲高質量定向訓練數據。
經過真實場景驗證：移動星廚機器人已在杭州園區常態化運行，日均出咖啡超百杯、單杯 90 秒全流程，長序列任務全程模型自主決策，實證底座價值。

Open-RAIL的項目地址

項目官網：https://cmcc-tao.github.io/open-rail/

Open-RAIL的同類競品對比

對比維度	Open-RAIL（中國移動）	LeRobot（Hugging Face）
核心定位	連接 VLA/WAM 模型與機器人本體的通用工程底座，主打真機部署”最後一公里”	機器人學習的開源訓練庫與數據格式標準，覆蓋數據、訓練、共享全鏈路
覆蓋鏈路	模型推理→真機執行→數據迴流→模型迭代的完整閉環	數據採集→訓練→評估爲主，真機實時部署推理是其中一環
實時執行能力	三線程異步流水線＋兩級在線平滑，關節加速度標準差 10+→0.1 rad/s²，專爲消除推理-控制頻率差設計	有異步推理模塊（PolicyServer/RobotClient 架構），但平滑與實時性優化非其核心設計目標
硬件適配	輕量硬件抽象層，已適配 4 款異構機器人（含人形），新機型從周級降到小時級	官方支持 20+ 硬件型號（SO-100/101、Unitree G1、Koch 等），社區適配活躍，偏輕量機械臂與教育硬件
模型支持	已支持 10 個主流 VLA/WAM 模型（GR00T、π0/0.5、RDT、ACT 等），新模型接入 ≤100 行代碼	模型生態更廣（π0、GR00T N1.7、SmolVLA、WALL-OSS 等），且模型多以 LeRobot 爲原生訓練/部署格式
部署形態	服務端-客戶端分離，端/邊/雲零改動切換，嵌入式設備可驅動大模型	支持單機與 Jetson 邊緣部署，也提供 GPU 服務器-機器人分離的 gRPC 異步推理
數據閉環	運行即採集（LeRobot 風格 Parquet）＋運行即評估，日誌自動落地	數據格式標準制定者（LeRobotDataset），生態內數據集共享是最大優勢（開源實體 AI 數據集已被下載超 1500 萬次）

Open-RAIL的應用場景

商用服務機器人：如已落地的”移動星廚”，完成咖啡製作、微波爐加熱餐食等長序列服務任務，日均百杯咖啡、單杯 90 秒全流程，多訂單並行全程模型自主決策。
工業巡檢值守：在變電站、機房、廠區執行設備巡檢、儀表讀數、異常報警等重複性值守任務，端邊雲部署讓大模型推理可放在邊緣或雲端，本體無需大算力。
養老與醫療輔助：端茶遞水、物品遞送、康復輔助等場景，平滑執行能力保證機器人與人近距離交互時的安全性與柔和度。
科研與教學實驗：高校與初創團隊用 Mock 仿真後端零硬件起步，快速驗證 VLA 模型效果；新模型接入僅需 50—100 行代碼，研究者專注模型創新、免於搭建工程管線。