論文の概要: EVA-Client: A Unified Data Collection, Inference, and Deployment Framework for Embodied Policies on Real Robots
- arxiv url: http://arxiv.org/abs/2607.02646v1
- Date: Thu, 02 Jul 2026 17:59:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.381903
- Title: EVA-Client: A Unified Data Collection, Inference, and Deployment Framework for Embodied Policies on Real Robots
- Title（参考訳）: EVA-Client: 実ロボット上での身体的ポリシーのための統一データ収集、推論、デプロイフレームワーク
- Authors: Heqing Yang, Yang Yi, Liyao Wang, Linqing Zhong, Donglin Yang, Ruipu Wu, Zitong Bai, Fengjiao Chen, Manyuan Zhang, Linjiang Huang, Si Liu,
- Abstract要約: EVA-Clientは、実際のロボットに対してトレーニングされた操作ポリシーをデプロイ、データ収集、評価するためのオープンソースのフレームワークである。
すべての評価はデータ収集として2倍になり、トレーニング対応の形式で完全なロールアウトを記録します。
EVA-Clientは、主要なリアルタイム推論戦略、同期および非同期実行、ACTスタイルのテンポラルアンサンブル、リアルタイムチャンキング、ナイーブ非同期アブレーションベースラインを統合する。
- 参考スコア（独自算出の注目度）: 22.010881443693336
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: 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.
- Abstract（参考訳）: EVA-Clientは、実際のロボットに対する訓練された操作ポリシーの評価、データ収集、評価のためのオープンソースのフレームワークである。
ポリシーサーバと物理ハードウェアの間に座っているEVA-Clientは、単一のコードベース内でポリシーイテレーションループの実際のロボットステージを統一する。
3つの貢献をしている。
まず、ロボットのバックエンド、推論戦略、そしてミドルウエアを輸送するコンポーネント分離アーキテクチャが直交格子を形成します。
第二に、デバッグ、コレクション、Evalワークフローによるインスペクタブルな実行で、オープンループシミュレーションから継続的リアルタイム制御までのモードがある。
第3に、各評価はデータ収集として二重化され、全ログとサイドバイサイド比較ビューアとともにトレーニング対応の形式で全ロールアウトを記録するため、各評価は記録されていない印象として終了するのではなく、次の訓練ラウンドをフィードする。
EVA-Clientは、主要なリアルタイム推論戦略、同期および非同期実行、ACTスタイルのテンポラルアンサンブル、リアルタイムチャンキング、単一構成面の後方にあるネイティブ非同期アブレーションベースラインをさらに強化する。
関連論文リスト
- Enabling Robust Cloth Manipulation via Inference-Time Simulator-in-the-Loop Refinement [16.29450701834732]
物理シミュレーターをバックエンドのロールアウトエンジンとして使用し、オンライン上で予測された軌道を並列に評価し、精巧な名目動作を行う。
シミュレーション可能な布の状態に単一のRGB観測をマッピングする,純粋に合成データに基づいて訓練された実似モジュールを開発した。
実ロボット実験では、成功率が高く、ベースライン法よりも強いことが示されている。
論文 参考訳（メタデータ） (2026-06-23T13:20:12Z) - EVA-Bench: A New End-to-end Framework for Evaluating Voice Agents [3.0301675282070577]
EVA-Benchは、音声エージェントのエンドツーエンド評価フレームワークである。
動的マルチターン対話を通じてボット間音声会話をオーケストレーションする。
タスク完了、忠実度、および音声レベルの音声の忠実度をキャプチャする。
また、会話の進行、会話の簡潔さ、ターンテイキングのタイミングもキャプチャする。
論文 参考訳（メタデータ） (2026-05-13T17:58:52Z) - vla-eval: A Unified Evaluation Harness for Vision-Language-Action Models [58.633451339058986]
VLAモデルは一般的に、各モデルリポジトリによって独立して維持されるベンチマークスクリプト毎に評価される。
本稿では、ベンチマーク実行からモデル推論を分離するオープンソースの評価ハーネスであるvla evalを紹介する。
完全な評価では、vla eval serveとvla eval runの2つのコマンドしか必要としない。
論文 参考訳（メタデータ） (2026-03-14T14:38:53Z) - RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
ロボットのためのロバスト自動データ取得(RADAR)について紹介する。
RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。
シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
論文 参考訳（メタデータ） (2026-03-12T11:18:52Z) - RoboPocket: Improve Robot Policies Instantly with Your Phone [47.930515808607446]
模倣学習のスケーリングは、データ収集の効率によって制限される。
本稿では,ロボットフリーのインスタントポリシーを実現するポータブルシステムであるRoboPocketを紹介する。
論文 参考訳（メタデータ） (2026-03-05T18:59:38Z) - EnerVerse-AC: Envisioning Embodied Environments with Action Condition [47.97500109323355]
EnerVerse-ACは、エージェントの予測されたアクションに基づいて将来の視覚的観察を生成するアクション条件の世界モデルである。
EVACは、多種多様なデータセットに人為的なトラジェクトリを拡張し、ポリシーテストのためのリアルでアクション条件のビデオ観察を生成する。
論文 参考訳（メタデータ） (2025-05-14T18:30:53Z) - Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。
既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。
我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2024-12-11T06:35:18Z) - Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。
提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。
ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
論文 参考訳（メタデータ） (2024-09-12T11:50:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。