EVA-Client:面向真实机器人具身策略的统一数据采集、推理与部署框架

Hugging Face Daily Papers 论文

摘要

EVA-Client 是一个开源框架,通过组件解耦架构与可检查的执行工作流,统一了真实机器人的策略部署、数据采集与评估流程。

我们介绍了 EVA-Client,一个用于在真实机器人上部署、采集数据和评估训练所得操控策略的开源框架。EVA-Client 位于策略服务器与物理硬件之间,将策略迭代循环中涉及真实机器人的多个阶段统一到单一代码库中。它做出三项贡献。第一,组件解耦架构:机器人后端、推理策略和传输中间件构成正交网格——添加机器人或策略时仅需改动对应层。第二,通过 Debug、Collect 和 Eval 工作流实现可检查的执行,支持从开环模拟到连续实时控制等多种模式。第三,每次评估运行同时作为数据采集,记录完整的 rollout 并以训练就绪格式输出,附带详尽日志和并排对比查看器,使每次评估都能为下一轮训练提供输入,而非成为未被记录的印象。EVA-Client 进一步将多种主流实时推理策略——同步与异步执行、ACT 风格的时间集成、实时分块以及朴素异步消融基线——整合在单一配置界面之后。
查看原文
查看缓存全文

缓存时间: 2026/07/07 06:42

论文页面 - EVA-Client:面向真实机器人具身策略的统一数据采集、推理与部署框架

来源:https://huggingface.co/papers/2607.02646
作者:

摘要

EVA-Client 是一个开源框架,通过组件解耦架构与可检查的执行工作流,统一了真实机器人策略部署、数据采集与评估。

我们提出 EVA-Client,这是一个用于在真实机器人上部署、采集数据和评估已训练操控策略的开源框架。它位于策略服务器与物理硬件之间,将策略迭代循环中涉及真实机器人的阶段统一在同一个代码库中。EVA-Client 做出了三项贡献。首先,采用组件解耦架构,其中机器人后端、推理策略和传输中间件构成一个正交网格:添加新的机器人或策略仅影响其自身所在层。其次,提供可检查的执行流程,包含调试、采集和评估三种工作模式,涵盖从开环仿真到连续实时控制等多种模式。第三,每次评估运行同时也是一个数据采集过程,以训练就绪格式记录完整的轨迹回放,并附带详尽的日志以及并排对比查看器,使得每一次评估都能为下一轮训练提供输入,而不会以未记录的主观印象结束。此外,EVA-Client 将主要的实时推理策略——同步与异步执行、ACT 风格的时间集成、实时分块以及一种朴素异步消融基线——整合到统一的配置接口背后。

查看 arXiv 页面 (https://arxiv.org/abs/2607.02646)
查看 PDF (https://arxiv.org/pdf/2607.02646)
项目页面 (https://colalab.net/projects/eva-client/)
GitHub (https://github.com/Noietch/EVA-CLIENT)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.02646)

在你的 agent 中获取本文:

hf papers read 2607.02646

没有最新 CLI?curl -LsSf https://hf.co/cli/install.sh | bash

引用本论文的模型 0

没有模型链接本文

在模型 README.md 中引用 arxiv.org/abs/2607.02646 以将其链接到本页面。

引用本论文的数据集 0

没有数据集链接本文

在数据集 README.md 中引用 arxiv.org/abs/2607.02646 以将其链接到本页面。

引用本论文的 Space 0

没有 Space 链接本文

在 Space README.md 中引用 arxiv.org/abs/2607.02646 以将其链接到本页面。

包含本论文的收藏 0

没有收藏包含本文

将本文添加到一个收藏 (https://huggingface.co/new-collection) 以将其链接到本页面。

相似文章

EVA-Bench:评估语音代理的新型端到端框架

Hugging Face Daily Papers

EVA-Bench 提出了一个全面的端到端评估框架,用于评估语音代理,模拟真实的多轮对话,并通过新颖的准确度(EVA-A)和体验(EVA-X)指标衡量语音特定故障模式下的性能。该基准包含企业领域的 213 个场景以及用于口音和噪声鲁棒性的扰动套件,揭示了当前系统的显著差距。

EVE-Agent: 可验证证据的自我进化智能体

arXiv cs.AI

EVE-Agent 提出了一个自我进化搜索智能体框架,通过生成问题、答案和证据片段,并基于证据的边际准确性增益进行训练,确保证据可验证性。这提高了基于依据的正确性,且无需人工标注。