EVA-Client: Единая структура сбора данных, вывода и развертывания для воплощенных политик на реальных роботах

Аннотация

Мы представляем EVA-Client — открытую платформу для развертывания, сбора данных и оценки обученных политик манипуляции на реальных роботах. Располагаясь между сервером политик и физическим оборудованием, EVA-Client объединяет этапы работы с реальным роботом в цикле итерации политик в рамках единой кодовой базы. Платформа вносит три вклада. Во-первых, архитектура с декомпозицией компонентов, в которой бэкенды роботов, стратегии вывода и транспортные промежуточные слои образуют ортогональную сетку: добавление робота или стратегии затрагивает только соответствующий слой. Во-вторых, инспектируемое выполнение через рабочие процессы Debug, Collect и Eval с режимами, варьирующимися от имитации с разомкнутым контуром до непрерывного управления в реальном времени. В-третьих, каждый оценочный прогон одновременно служит сбором данных, записывая полные развёртывания в формате, готовом для обучения, вместе с исчерпывающими журналами и средством просмотра для сравнения «бок о бок», так что каждая оценка питает следующий раунд обучения, а не завершается как незафиксированное впечатление. EVA-Client дополнительно консолидирует основные стратегии вывода в реальном времени — синхронное и асинхронное выполнение, темпоральное ансамблирование в стиле ACT, обработку фрагментов в реальном времени (Real-Time Chunking) и базовый уровень с наивной асинхронной абляцией — за единой конфигурационной поверхностью.

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.