EVA-Client: Ein einheitliches Framework zur Datenerfassung, Inferenz und Bereitstellung für Embodied Policies auf echten Robotern

Zusammenfassung

Wir präsentieren EVA-Client, ein Open-Source-Framework für die Bereitstellung, Datenerfassung und Evaluierung trainierter Manipulationspolicies auf echten Robotern. Als Schnittstelle zwischen einem Policy-Server und der physischen Hardware vereint EVA-Client die realen Roboterschritte des Policy-Iterationszyklus in einer einzigen Codebasis. Es leistet drei Beiträge. Erstens eine komponentenentkoppelte Architektur, bei der Roboter-Backends, Inferenzstrategien und Transport-Middlewares ein orthogonales Raster bilden: Das Hinzufügen eines Roboters oder einer Strategie betrifft nur die eigene Schicht. Zweitens eine überprüfbare Ausführung durch Debug-, Collect- und Eval-Workflows, mit Modi, die von Open-Loop-Simulation bis hin zur kontinuierlichen Echtzeitsteuerung reichen. Drittens dient jeder Evaluierungslauf gleichzeitig als Datenerfassung, indem er vollständige Rollouts in trainingsbereitem Format zusammen mit umfassenden Protokollen und einem Side-by-Side-Vergleichsbetrachter aufzeichnet – so speist jede Evaluierung die nächste Trainingsrunde, anstatt als nicht aufgezeichneter Eindruck zu enden. EVA-Client konsolidiert darüber hinaus wesentliche Echtzeit-Inferenzstrategien – synchrone und asynchrone Ausführung, ACT-artiges temporales Ensembling, Echtzeit-Chunking und eine naive asynchrone Ablations-Baseline – hinter einer einzigen Konfigurationsoberfläche.

English

We present EVA-Client, an open-source framework for deployment, data collection, and evaluation of trained manipulation policies on real robots. Sitting between a policy server and the physical hardware, EVA-Client unifies the real-robot stages of the policy iteration loop within a single codebase. It makes three contributions. First, a component-decoupled architecture in which robot backends, inference strategies, and transport middlewares form an orthogonal grid: adding a robot or a strategy touches only its own layer. Second, inspectable execution through Debug, Collect, and Eval workflows, with modes ranging from open-loop simulation to continuous real-time control. Third, every evaluation run doubles as a data collection, recording full rollouts in training-ready format alongside exhaustive logs and a side-by-side comparison viewer, so each evaluation feeds the next round of training rather than ending as an unrecorded impression. EVA-Client further consolidates major real-time inference strategies, synchronous and asynchronous execution, ACT-style temporal ensembling, Real-Time Chunking, and a naive-async ablation baseline, behind a single configuration surface.