EVA-Client: Un Marco Unificado de Recolección de Datos, Inferencia y Despliegue para Políticas Encarnadas en Robots Reales

Resumen

Presentamos EVA-Client, un marco de trabajo de código abierto para el despliegue, la recolección de datos y la evaluación de políticas de manipulación entrenadas en robots reales. Situado entre un servidor de políticas y el hardware físico, EVA-Client unifica las etapas de robots reales del bucle de iteración de políticas dentro de un único código base. Aporta tres contribuciones. Primero, una arquitectura desacoplada por componentes en la que los backends de robots, las estrategias de inferencia y los middlewares de transporte forman una cuadrícula ortogonal: añadir un robot o una estrategia solo afecta su propia capa. Segundo, una ejecución inspeccionable a través de flujos de trabajo de Depuración, Recolección y Evaluación, con modos que van desde simulación en bucle abierto hasta control continuo en tiempo real. Tercero, cada ejecución de evaluación funciona también como recolección de datos, registrando despliegues completos en formato listo para entrenamiento, junto con registros exhaustivos y un visor de comparación lado a lado, de modo que cada evaluación alimenta la siguiente ronda de entrenamiento en lugar de terminar como una impresión no registrada. EVA-Client consolida además las principales estrategias de inferencia en tiempo real —ejecución síncrona y asíncrona, ensamble temporal estilo ACT, Fragmentación en Tiempo Real (Real-Time Chunking) y una línea base de ablación naive-async— detrás de una única superficie de configuración.

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.