EVA-Client: Een geünificeerd raamwerk voor dataverzameling, inferentie en implementatie van belichaamd beleid op echte robots.

Samenvatting

We presenteren EVA-Client, een open-source raamwerk voor implementatie, gegevensverzameling en evaluatie van getrainde manipulatiebeleidslijnen op echte robots. EVA-Client bevindt zich tussen een beleidsserver en de fysieke hardware en verenigt de fasen van de echte robot in de beleidsiteratielus binnen één enkele codebase. Het levert drie bijdragen. Ten eerste een component-ontkoppelde architectuur waarin robot-backends, inferentiestrategieën en transport-middleware een orthogonaal raster vormen: het toevoegen van een robot of een strategie raakt alleen de eigen laag. Ten tweede inspecteerbare uitvoering door Debug-, Collect- en Eval-workflows, met modi variërend van open-loop-simulatie tot continue real-time besturing. Ten derde fungeert elke evaluatierun ook als een gegevensverzameling, waarbij volledige rollouts worden vastgelegd in trainingsgerede indeling, samen met uitputtende logs en een naast-elkaar-vergelijker, zodat elke evaluatie de volgende trainingsronde voedt in plaats van te eindigen als een niet-geregistreerde indruk. EVA-Client consolideert verder de belangrijkste real-time inferentiestrategieën – synchrone en asynchrone uitvoering, ACT-stijl temporele ensembling, Real-Time Chunking en een naïeve asynchrone ablatie-baseline – achter één enkel configuratieoppervlak.

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.