向全球开源！

今日

中国移动正式向全球开源Open-RAIL

行业内首个连接VLA/WAM模型与

机器人本体的通用工程底座

巡检值守、端茶递水、养老辅助……

机器人能做的事越来越多

它们靠什么看懂环境、听懂手势语音

自主完成任务？

答案是VLA/WAM模型

也就是机器人的智能大脑

但给机器人装上大脑，不等于就能干活

实际落地中，难题一个接一个

大脑指令，机器人听不懂

——不同机器人控制逻辑不同

换一台新机器人，就得重新转译指令

大脑反应慢，身体跟不上

——模型推理存在延迟

机器人动作容易卡顿、抖动

经验无法沉淀复用

——机器人产生的数据杂乱

难以直接持续优化

换机器人要重新对接，换模型要重写代码

调好的效果很难批量复制

具身智能缺的不只是一个更强的模型

还有一套连接大脑、机体和经验的

“通用神经系统”

——过去，这层连接大多是各做各的

而如今

中国移动Open-RAIL的出现

打破了系统间的壁垒

具身智能落地，跑通“最后一公里”

模型到真机之间，跑通并不简单

换一台机器人，要重做一遍接口映射

接一个新模型，要重写一套推理管线

推理一步上百毫秒

控制却要毫秒级响应，动作又卡又抖

辛苦采来的数据

还卡在格式对齐里，进不了训练管线

差的那一环，不单单是算法

还有模型与真机之间被无数团队反复重造、

却始终绕不开的工程链路

Open-RAIL做的，就是这个通用底座

它让模型推理、真机执行、数据回流、

模型迭代，在同一个底座内闭环运转

一组数据

看懂Open-RAIL带来的改变

已适配4款异构机器人

新机型接入，从“以周计”压到“以小时计”

已支持10个主流VLA/WAM模型

新模型接入，最低只需50—100行代码

动作平滑度提升两个数量级

关节加速度标准差，从10+rad/s²降至0.1rad/s²

数据采集零额外成本

每一次真实运行，都在自动积累训练数据，格式开箱即用

端边云灵活部署

代码零改动，端侧算力不再是限制

四大核心能力，让模型跑进现实

推理执行，动作"又稳又顺"

VLA/WAM模型推理一步动辄上百毫秒

而机器人控制要求毫秒级响应

两者之间差了30到50倍

模型输出的是离散动作点

点与点之间缺少平滑过渡

放到真机上就是频繁的加减速冲击和抖动

Open-RAIL的做法是：不改模型，在框架层面解决。它在机器人侧把观测、推理、控制拆成三条并行流水线——观测持续采集、推理持续计算、控制持续下发，三者互不等待；再配合块内、块间两级平滑策略，全部在线实时计算。最终，关节加速度标准差从10+rad/s²降到0.1rad/s²，整整两个数量级。硬件不再承受高频冲击，执行从"新手开手动挡"，变成"老司机开自动挡"。

端边云部署，算力"不再是门槛"

目前落地的VLA/WAM模型

3B上下最集中

——不是模型不需要更大

机器人端的嵌入式设备装不下更大的模型

云端的大模型推理撑不起毫秒级的控制需求

模型能力，被算力和时延卡住

Open-RAIL把推理统一放到Server端，机器人侧只负责执行和状态上报。Server可以放在本体、边缘算力或云端，代码完全一致，只需改一处连接地址，端、边、云三种部署按需切换。算力，从此不再是选模型的限制。

异构适配，换机器人、模型都不重来

不同品牌的机器人，关节定义不同、

通信协议不同、坐标系方向也不同

同一个模型

换一台机器人就要重做一遍接口

换一个模型，就要重写一套管线

多数团队只覆盖一两种机型

想扩一台、换一个型号

往往要从头再来一轮适配，周期以周计

Open-RAIL抽出一层轻量级的硬件抽象层，把控制、状态读取、动作执行统一标准化：新机器人接入，只需实现底层适配、完成注册，上层逻辑完全复用，一行不改。模型侧同样如此——统一接入约定，新模型只需实现标准推理接口即可接入。目前已适配4款异构机器人、支持10个主流VLA/WAM模型，新模型接入通常只需50到100行代码。换机器人、换模型，都不再是"推倒重来"。

数据闭环，让模型"越用越聪明"

传统做法里，推理是推理、数采是数采

两套割裂的流程

采完还要手动整理格式、对齐时间戳

从采到用，周期以周计

Open-RAIL把数据采集直接内嵌进每一次推理执行里——多视角图像、关节状态、推理结果、平滑指令、时序信息全链路自动归档，存成开箱即用的标准格式，无需转换就能直接喂进下一轮训练。更关键的是，它还支持“推理与遥操混合”：模型跑偏时，人可以随时介入纠偏，纠偏轨迹和原始轨迹时间戳严格对齐、并行保存。每一次人工纠偏，都是一次高质量的定向教学。

"推-采-评"闭环，补上行业空白

VLA生态，从来不缺工具

缺的是把它们连起来的那一层：

LeRobot是训练库和数据格式标准

ROS是底层通信与控制抽象

VLASH、RTC

是模型级或算法级的单点优化

现有工具大多只覆盖了链路中的一段

还没有一套工具把"模型推理→机器人执行

→数据回流→模型迭代"打通成通用闭环

Open-RAIL切入的，正是这个空白

单看前面四项能力，是四个工程问题各自的解法；合起来，则拼成了一条完整的闭环——模型在真机上推理执行（推），运行中同步采集数据（采），用数据评估、优化模型（评），再回到推理。而跨本体适配、跨模型适配，是这条闭环的"通用层"，正因如此，它才能复制到更多机器人、更多模型上。

底座之上，已经跑出了真实成果

一个底座有没有用，不看参数

而是要看它上面长出了什么

中国移动自研的移动星厨机器人

正是跑在Open-RAIL之上的一个鲜活案例

它已先后亮相数字峰会、上海MWC、

东盟博览会等国际级展会

并在中国移动杭州研发中心园区

完成常态化落地

日均可出咖啡超百杯

单杯拿铁从启动制作到成品出杯

全流程压缩至90秒——抓杯、放置、

按键、等待出品、取杯转移，一气呵成

也能开微波炉门、设定时间与温度

把一份餐食热好

模型推理没有成为这条长链的节拍瓶颈

同时支持多订单并行处理

全程由模型自主决策

没有为其中任何一步单独编写控制逻辑

长序列跑得下来，靠的不只是模型会规划

更是每一步都落得稳

——这正是底座要做的事

这不是演示视频里的效果

而是每天都在真实发生的运行

如果你也在做具身智能的真机部署

这条路，已经为你铺好

项目资源

GitHub主页：

https://cmcc-tao.github.io/open-rail/

Gitee主页：

https://gitee.com/cmcc-tao/open-rail

焕新社区主页：

https://aihuanxin.cn/communityOrg/detail/452

原标题：《向全球开源！》

阅读原文