Open Source Robotics

Una colección curada de proyectos, herramientas y software de robótica de código abierto de alta calidad.

Armory

Sirve una política robótica a toda una flota desde una sola GPU en la nube

Licencia

Apache-2.0

Resumen

Armory es un sistema de servicio de extremo a extremo para ejecutar una política robótica en una GPU remota y entregarla a muchos robots a la vez. Mantiene en el servidor un espejo de la cola de acciones de cada robot, de los bloques en vuelo, del horizonte de ejecución y del retardo de comunicación, y usa ese espejo para decidir qué robots agrupar a continuación: planifica en tiempo del robot y no en tiempo de petición. El repositorio contiene el motor de servicio, los planificadores, un paquete cliente ligero por robot, adaptadores de política para OpenPI y NVIDIA Isaac GR00T, y el banco de evaluación con LIBERO, las métricas y las gráficas usadas en el artículo, con puntos de entrada para Modal, local y Slurm.

El problema que Armory nombra es la inanición: un robot sin acciones válidas simplemente se detiene, y cuánto cuesta eso depende por completo de la tarea. Los autores barren el horizonte de ejecución y la tasa de inanición sobre un solo robot y muestran cómo una tarea dinámica de clasificación en plato giratorio se desploma mientras una tarea estática de clasificar ladrillos se degrada con suavidad; un planificador que trate a todos los robots por igual desatiende justo a los que necesitan frescura. El turno rotatorio es justo y ciego a la urgencia; el de plazo más próximo capta la inanición inminente pero trata cada episodio como igualmente costoso. Lookahead enumera planes candidatos, los proyecta hacia delante sobre el espejo del servidor y despacha el lote con la mejor recompensa prevista normalizada por tiempo de inferencia, con un peso opcional por robot para que un operador pueda proteger un nivel sensible a la latencia.

La evaluación ocurre en dos sitios: LIBERO-10 en simulación y una flota de diez brazos AgileX PiPER servidos por un punto de control π0.5 ajustado desde una única GPU L40S. El resultado principal es una ganancia de en torno al 18 % en rendimiento real total frente al planificador de plazo más próximo en el escenario one-fast. Ejecutarlo pide Python 3.11, uv y tres submódulos fijados; la ruta con GPU se despliega mediante Modal o un servidor propio, y un backend de política simulado ejercita todo el protocolo servidor-cliente sin GPU alguna, lo que hace reproducible el comportamiento del planificador en un portátil.

Por qué importa

Las políticas servidas desde la nube son la forma en que la mayoría de flotas ejecutarán modelos de frontera —el cómputo a bordo no sostiene un VLA y replicar el punto de control por robot es caro— y sin embargo casi no hay nada abierto entre «un robot, una GPU» y una pila de servicio propietaria. Armory es una implementación de referencia legible con su banco de evaluación incluido, y nombra un modo de fallo que el agrupamiento genérico al estilo LLM oculta: el robot que más a menudo necesita acciones es precisamente el que un planificador guiado por plazos deja sin servir.

Qué problema resuelve

Los modelos visión-lenguaje-acción son demasiado pesados para el cómputo a bordo, así que la política se traslada a una GPU remota; y un servidor de agrupamiento pensado para rendimiento conversacional acaba dejando sin servir a los robots cuyas tareas más necesitan acciones frescas. Armory planifica en tiempo del robot en vez de en tiempo de petición, de modo que el lote que forma es el que mantiene en movimiento a más robots.

Puntos clave

  • Sirve una política a muchos robots desde una GPU remota, agrupando a partir de un espejo en el servidor de la cola de acciones, los bloques en vuelo, el horizonte de ejecución y el retardo de red de cada robot
  • La planificación Lookahead proyecta lotes candidatos y los puntúa por recompensa prevista dividida por tiempo de inferencia, elevando el rendimiento real total hasta un 18 % sobre el planificador de plazo más próximo
  • Validado sobre diez brazos AgileX PiPER servidos por un punto de control π0.5 ajustado desde una GPU L40S, y en simulación sobre LIBERO-10
  • Incluye adaptadores de backend para OpenPI y NVIDIA Isaac GR00T, además de un paquete cliente ligero pensado para correr en cada robot
  • Un backend de política simulado ejecuta el protocolo completo de servidor y cliente sin GPU, de modo que el comportamiento del planificador se reproduce en un portátil
  • La medición que lo motiva es que el coste de la inanición depende de la tarea: la manipulación dinámica se desploma con bloques obsoletos mientras que la cuasiestática los tolera
  • Hay puntos de entrada para Modal, local y Slurm, junto con los scripts de barrido y de gráficas que hay detrás de las figuras del artículo

Para quién es

  • Equipos que despliegan políticas VLA en más de un robot desde cómputo compartido
  • Ingenieros de infraestructura de flotas robóticas y robótica en la nube
  • Investigadores de sistemas de aprendizaje automático y planificación que trabajan en servicio de inferencia en lazo cerrado
  • Usuarios de LIBERO y OpenPI que miden el rendimiento de políticas

Limitaciones

  • La evaluación cubre LIBERO-10 en simulación y una única flota real de diez brazos AgileX PiPER; todavía no hay evidencia para otros robots, otras políticas o flotas mayores
  • Las ganancias son ganancias de heterogeneidad: en una flota homogénea el turno rotatorio y el plazo más próximo rinden de forma comparable, y el artículo lo dice sin rodeos
  • El peso por robot es una perilla de operación, no una mejora gratuita: en el escenario half-fast ponderar el nivel rápido desplaza rendimiento fuera del nivel lento
  • Los tres submódulos de third_party apuntan a bifurcaciones personales de LIBERO, OpenPI e Isaac-GR00T en lugar de a los originales, así que las dependencias fijadas descansan sobre cuentas individuales
  • Servir una política real exige una GPU y el punto de control correspondiente; el backend simulado reproduce el protocolo y la planificación, no la política
  • No hay imagen de contenedor publicada ni etiqueta de versión: el despliegue parte de un clon de git con los submódulos inicializados, sobre Python 3.11 con uv

Este sitio web requiere JavaScript. Por favor, habilite JavaScript para explorar nuestros proyectos de robótica.