EVA-Client : Un cadre unifié de collecte de données, d'inférence et de déploiement pour les politiques incarnées sur des robots réels

Résumé

Nous présentons EVA-Client, un cadre open-source pour le déploiement, la collecte de données et l'évaluation de politiques de manipulation entraînées sur des robots réels. Positionné entre un serveur de politiques et le matériel physique, EVA-Client unifie les étapes réelles du robot dans la boucle d'itération de politiques au sein d'une même base de code. Il apporte trois contributions. Premièrement, une architecture à composants découplés dans laquelle les backends robotiques, les stratégies d'inférence et les middlewares de transport forment une grille orthogonale : l'ajout d'un robot ou d'une stratégie n'affecte que sa propre couche. Deuxièmement, une exécution inspectable via les workflows Debug, Collect et Eval, avec des modes allant de la simulation en boucle ouverte au contrôle continu en temps réel. Troisièmement, chaque session d'évaluation sert également de collecte de données, enregistrant des rollouts complets dans un format prêt pour l'entraînement, accompagnés de journaux exhaustifs et d'une visionneuse de comparaison côte à côte, de sorte que chaque évaluation alimente le prochain cycle d'entraînement plutôt que de se terminer comme une impression non enregistrée. EVA-Client consolide en outre les principales stratégies d'inférence en temps réel — exécution synchrone et asynchrone, ensemble temporel de style ACT, Chunking en temps réel et une baseline d'ablation asynchrone naïve — derrière une surface de configuration unique.

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.