开源机器人学习框架Ark：简化机器人软件开发和部署而设计

达姆施塔特工业大学、华为诺亚方舟、伦敦帝国理工学院、牛津大学和伦敦大学学院的研究人员推出开源机器人学习框架Ark，通过提供一个基于 Python 的、易于使用的环境来加速机器人学习的研究和商业部署。

• GitHub：https://github.com/Robotics-Ark

Ark 是一个开源的、基于 Python 的机器人学习框架，专为简化机器人软件开发和部署而设计。它借鉴了现代人工智能（AI）领域中 Python 为核心的开发模式，提供了从数据收集、策略训练到在模拟和真实机器人之间无缝切换的能力。例如，研究人员可以使用 Ark 在模拟环境中快速开发和测试机器人策略，然后轻松地将这些策略部署到真实机器人上，而无需对代码进行大量修改。

主要功能

1. 数据收集与预处理：Ark 支持从模拟器或真实机器人收集数据，并进行预处理，为机器学习算法提供输入。
2. 策略训练：框架支持使用最新的模仿学习算法（如 ACT 和 Diffusion Policy）进行策略训练。
3. 模拟与真实环境的无缝切换：通过一个配置文件中的单一标志（sim=True/False），Ark 可以在模拟环境和真实机器人之间无缝切换。
4. 模块化设计：Ark 提供了控制、SLAM（同时定位与地图构建）、运动规划、系统识别和可视化的可重用模块。
5. 与 ROS 的互操作性：Ark 提供了与 ROS（机器人操作系统）的原生互操作性，允许用户将现有的 ROS 代码集成到 Ark 框架中。

主要特点

1. Python 优先：Ark 以 Python 作为主要开发语言，降低了学习门槛，同时提供了 C/C++ 绑定以确保实时性能。
2. 轻量级客户端-服务器架构：通过网络化的发布-订阅通信机制，Ark 实现了模块间的解耦和灵活通信。
3. 易于上手：Ark 提供了详细的文档和案例研究，从操作到移动导航，展示了快速原型开发和硬件切换的便利性。
4. 统一的配置文件：使用 YAML 格式的配置文件来定义机器人、传感器、环境和网络参数，简化了系统的设置和部署。

工作原理

Ark 的工作原理基于一个分布式节点网络，每个节点代表一个独立的 Python 脚本，节点之间通过消息通道进行通信。这些消息通道使用 LCM（Lightweight Communications and Marshalling）库进行数据传输，确保了通信的高效性和灵活性。Ark 的核心是一个配置文件，它定义了整个系统的架构，包括机器人、传感器、环境和网络参数。通过修改这个配置文件，用户可以轻松地在模拟和真实环境之间切换，而无需修改代码。

测试结果

论文中通过多个用例展示了 Ark 的灵活性和易用性。例如，在一个抓取任务中，使用 ViperX 300 机械臂和英特尔 RealSense RGB 相机，Ark 成功地在模拟环境中训练了一个扩散策略，并将其无缝部署到真实机器人上。另一个案例是使用 OpenPyro-A1 人形机器人进行的远程操作，展示了 Ark 在处理复杂任务时的能力。

应用场景

1. 机器人操作：Ark 可以用于训练机器人执行各种操作任务，如抓取、搬运和组装。
2. 移动机器人导航：通过集成 SLAM 和路径规划算法，Ark 可以帮助移动机器人在复杂环境中导航。
3. 人机交互：Ark 支持通过虚拟现实（VR）和游戏手柄等设备进行远程操作，适用于需要人类干预的任务。
4. 机器学习集成：Ark 提供了与大型语言模型（LLM）和视觉语言模型（VLM）的集成，使机器人能够执行复杂的推理任务。