EVA-Client: Uma Estrutura Unificada de Coleta de Dados, Inferência e Implantação para Políticas Corporizadas em Robôs Reais

Resumo

Apresentamos o EVA-Client, um framework de código aberto para implantação, coleta de dados e avaliação de políticas manipulativas treinadas em robôs reais. Situado entre um servidor de políticas e o hardware físico, o EVA-Client unifica as etapas reais de robótica do ciclo de iteração de políticas em uma única base de código. Ele apresenta três contribuições. Primeiro, uma arquitetura com componentes desacoplados na qual backends de robô, estratégias de inferência e middlewares de transporte formam uma grade ortogonal: adicionar um robô ou uma estratégia afeta apenas sua própria camada. Segundo, execução inspecionável por meio dos fluxos de trabalho Debug, Collect e Eval, com modos que variam de simulação em malha aberta a controle contínuo em tempo real. Terceiro, cada execução de avaliação também funciona como uma coleta de dados, registrando rollouts completos em formato pronto para treinamento, juntamente com logs exaustivos e um visualizador de comparação lado a lado — de modo que cada avaliação alimenta a próxima rodada de treinamento, em vez de terminar como uma impressão não registrada. O EVA-Client ainda consolida as principais estratégias de inferência em tempo real — execução síncrona e assíncrona, ensembling temporal no estilo ACT, Real-Time Chunking e uma linha de base de ablação naive-async — em uma única superfície de configuração.

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.