推理部署

先完成通信准备，再按本页启动。推理分两端：Server 跑模型，Client 驱动机器人。

一、启动推理 Server

配置

在边侧机的 LeTools-Learning 仓库中，修改 configs/server/launcher.yaml 里对应模型的 adapter。

短名格式与 policy_type

全身 VLA 配置短名为 {model_name}_roban_wholebody 格式，inference.policy_type 保持 client。

OpenPI

openpi_roban_wholebody:
  adapter: openpi_roban_wholebody
  env:
    mode: uv
    project: ${REPO_ROOT}/kuavo_model/external_models/openpi
  args:
    checkpoint: /path/to/openpi/roban_wholebody/checkpoint # 【必填】
    policy_config_name: pi05_roban_wholebody               # 必须与训练 config 的 name 一致
    execution_horizon: 0                                   # 0 使用模型完整 50-step chunk

仓库示例训练名是 pi05_roban_wholebody。launcher 里如果仍写着 pi0_roban_wholebody，请改成实际训练用的 name。

GR00T N1.7

groot_roban_wholebody:
  adapter: isaac_gr00t_n17_roban_wholebody
  env:
    mode: uv
    project: ${REPO_ROOT}/kuavo_model/external_models/gr00tn1d7
  args:
    checkpoint: /path/to/gr00t/checkpoint # 【必填】
    embodiment_tag: NEW_EMBODIMENT
    execution_horizon: 40
    device: cuda

execution_horizon: 40 与 roban_wholebody.py 的 action chunk 对齐。

LingBot-VLA v2

lingbotvla2_roban_wholebody:
  adapter: lingbot_vla_v2_roban_wholebody
  env:
    mode: conda
    conda_env: lingbotvla2
  args:
    checkpoint: /path/to/global_step_xxx/hf_ckpt       # 【必填】写到 hf_ckpt 这一级
    training_config_path: /path/to/lingbotvla_cli.yaml # 【必填】训练产物 hf_ckpt 的父父文件夹
    qwen3vl_path: /path/to/Qwen3-VL-4B-Instruct        # 【必填】
    robot_norm_path: /path/to/roban_wholebody.json     # 【必填】compute_norm_stats 的输出
    robot_config_path: ""                              # 留空时使用 kuavo_server 内置配置
    execution_horizon: 50

execution_horizon: 50 对齐 50 Hz chunk。

本地已有权重却仍访问 Hugging Face

export HF_HUB_OFFLINE=1

启动

模型	启动命令
OpenPI	`python kuavo_server/launch.py openpi_roban_wholebody`
GR00T N1.7	`python kuavo_server/launch.py groot_roban_wholebody`
LingBot-VLA v2	`python kuavo_server/launch.py lingbotvla2_roban_wholebody`

二、启动推理 Client

配置

确认 configs/deploy/roban_wholebody_deploy.yaml：

platform_type: roban                   # eval.py 靠这一项走全身入口
camera:
  topic: /camera/color/image_raw/compressed
dds:
  config_uri: cyclonedds_roban_edge.xml
inference:
  policy_type: client
  server_host: localhost
  server_port: 5555
  task_prompt: "robot manipulation"   # 与训练使用的 language instruction 一致
execution:
  mode: sync                          # 真机建议先 sync
  action_hz: 50.0
heft:
  controller: heft_pico
  fallback_controller: amp

夹爪量纲转换

模型夹爪是 [0, 1]，DDS /rt/hand_cmd 是 [0, 100]，由 heft.hand_scale: 100.0 缩放。切到 HEFT 前会按 warmup_sec 预热下位机缓冲。

启动

在已 export ROS_MASTER_URI / ROS_IP 的终端运行：

python kuavo_deploy/eval.py configs/deploy/roban_wholebody_deploy.yaml

全身入口只有两项：

1. run : 运行 HEFT wholebody 模型推理
2. 退出

选 1 直接开始推理，中途输入 s 停止。

与 Kuavo 双臂流程的差异

全身 VLA 推理没有 Kuavo 那套 go / bag 回放。

sync 与 async

模式	行为	建议
`sync`	等推理完成再送下一拍	真机先用这个，更适合联调
`async`	下一 chunk 推理时继续向 HEFT 送 50 Hz 指令	能维持 50 Hz 流，但实测效果欠佳

短时欠载会保持上一拍动作；持续欠载会停流并切回 AMP 模式。

检查清单

上真机前对照全身 VLA 概览的五条逐一确认。

一、启动推理 Server​

配置​

OpenPI​

GR00T N1.7​

LingBot-VLA v2​

启动​

二、启动推理 Client​

配置​

启动​

sync 与 async​

检查清单​