Zetta-Embodiment 是一个面向具身智能/机器人仿真的闭环自进化评测与运行框架。它在冻结基础 VLA/机器人策略模型的前提下，通过失败轨迹聚类、因果诊断、运行时 Critic-Recovery 候选生成、影子回放、同种子门控和 held-out 测试等流程，在线演化代码化的运行时评判器与恢复技能。README 宣称其在 LIBERO-Pro 和 RoboCasa 上分别达到 90.8% 和 93.6% 成功率，并带来 11.1x 推理加速。项目主要使用 Python，包含演化协议、Rollout Runtime、LIBERO/RoboCasa 机器人环境适配、部署脚本和测试套件。
适用领域
具身智能 / 机器人学习 / 机器人仿真 / VLA/Vision-Language-Action 模型 / 强化学习与策略评估 / 自动化失败诊断 / 自进化 Agent/Runtime / LIBERO-Pro / RoboCasa / MuJoCo/robosuite / Ray 分布式运行
配置难度
高。该项目不是普通 Python 包，而是具身智能实验基础设施，涉及机器人仿真、VLA 模型、GPU 推理、Ray 多进程运行、任务种子管理、评测门控和自动代码生成恢复逻辑。具备 Python 和机器学习基础只能完成最小测试；要跑通 LIBERO/RoboCasa 正式实验，需要熟悉 CUDA、MuJoCo/robosuite、机器人仿真环境、模型 checkpoint 管理和实验复现规范。
商业价值
对机器人和具身智能团队具有较高研究与平台价值。它可以作为 VLA 策略的外部增强层，通过运行时诊断和恢复提升任务成功率，而不必重新训练基础模型，适合用于机器人操作任务评测、仿真数据闭环、失败分析平台和论文复现。商业化场景包括机器人研发测试平台、自动化仿真评测系统、具身 Agent 可靠性提升工具和企业内部机器人策略验证流水线。但由于 license 不明、工程复杂度高、依赖重且指标仍需验证，短期更适合研究和内部 PoC，而非直接用于生产级商业部署。
01
技术亮点
- 提出完整闭环演化协议：失败聚类、诊断、候选生成、影子回放、同种子门控、held-out 验证。
- 冻结基础策略，仅演化运行时 Critic 和 Recovery，有利于降低训练/微调成本。
- README 宣称在 LIBERO-Pro 和 RoboCasa 上取得较高成功率，并实现 11.1x 推理加速。
- 强调可复现性：manifest、tool catalog、prompt、bundle、episode records 均按内容哈希保存。
- 运行时角色边界清晰，限制诊断、Critic、Role1、Recovery actor、环境 actor 的权限。
- 支持 LIBERO-Pro 和 RoboCasa，并规划接入 NVIDIA Cosmos、RoboTwin、ManiSkill、BEHAVIOR。
- 提供最小测试套件，不依赖仿真器或模型即可验证核心协议。
- 提供部署脚本和预构建 Docker 镜像链接，降低复杂仿真环境安装难度。
- 采用 Rollout Runtime 统一管理环境和推理服务，便于扩展到多后端。
02
目标用户
- 具身智能和机器人方向研究人员
- 使用 LIBERO、RoboCasa、ManiSkill 等仿真环境的开发者
- 研究 VLA 模型评测、部署和在线恢复机制的团队
- 希望在不微调基础策略的情况下提升机器人任务成功率的算法工程师
- 需要构建可复现实验流水线、失败分析和评测门控系统的实验平台工程师
- 高校实验室、机器人创业团队、具身智能基准测试团队
03
配置要求
- Python 3.10-3.12。
- 真实仿真/模型运行通常需要 CUDA GPU。
- 运行 MuJoCo/仿真时建议设置 MUJOCO_GL=egl。
- 真实硬件或正式运行建议使用 --launch ray，将 EnvWorker 和 RolloutWorker 分进程运行。
- LIBERO-Pro 与 RoboCasa 依赖的 robosuite 版本不兼容，不能共用同一个 venv。
- RoboCasa 需要额外的 robocasa、robosuite、Isaac-GR00T 源码目录。
- RoboCasa 需要下载约 10GB kitchen assets。
- 需要配置 runtime preset，包括 GPU、checkpoint 路径、策略 ID 等机器相关参数。
- campaign 需要 manifest.json、tool-catalog.json、preregistration.json、state.json 等结构化文件。
- 需要严格区分开发种子和 held-out seeds 1..20。
- API 密钥、模型服务地址、私有路径等应通过环境变量或外部受限文件提供，不能写入 Git。
- 如使用 run_campaign.py 中的模型参数，需要可访问相应 LLM/模型服务，例如 README 示例中的 gpt-5.6-sol。
04
适用场景
- 在 LIBERO-Pro 或 RoboCasa 上运行闭环机器人任务评测
- 对失败轨迹进行聚类和因果诊断，分析机器人任务失败原因
- 生成和验证 Critic-Recovery 代码 bundle，用于运行时恢复失败任务
- 构建含开发种子、同种子验证、held-out 测试的可复现实验 campaign
- 对 VLA 策略模型进行外部 runtime harness 增强，而不修改基础模型权重
- 搭建 Rollout Runtime，将仿真环境进程和模型推理进程隔离运行
- 为具身智能论文复现、消融实验和基准测试建立标准流程
05
部署与配置
- 确认 Python 版本为 3.10 到 3.12。
- 克隆仓库并进入项目目录。
- 创建虚拟环境：python -m venv .venv。
- 激活虚拟环境：source .venv/bin/activate。
- 升级 pip：python -m pip install --upgrade pip。
- 安装最小测试依赖：python -m pip install -e ".[test]"。
- 运行基础测试：python -m pytest -q tests/test_evolution_protocol.py tests/test_evolution_core.py tests/test_libero_eval_horizon.py。
- 如需运行 LIBERO-Pro，使用 scripts/deployment/install_vla_env.sh --track libero-pro 构建独立 VLA 环境。
- 如需运行 RoboCasa，准备 robocasa、robosuite、Isaac-GR00T 源码 checkout，并使用 scripts/deployment/install_vla_env.sh --track robocasa 构建环境。
- 下载对应仿真资产：LIBERO-Pro 可使用 liberopro-download-assets；RoboCasa 需下载约 10GB kitchen assets。
- 启动 Rollout Runtime：python -m rollout_runtime.cli serve --config <preset-name-or-yaml-path> --host 127.0.0.1 --port 18730 --launch ray。
- 使用 prepare_libero_campaign.py 或对应脚本准备 campaign。
- 使用 scripts/evolution/run_campaign.py 运行完整演化流程。
06
风险与注意事项
- 项目时间线和引用论文均指向 2026 年，当前信息可能存在前瞻性、未完全落地或与实际仓库状态不一致的风险。
- 仓库 stars 约 303，生态仍较早期，社区成熟度和长期维护能力有待验证。
- README 未显示明确开源 license，商用或二次分发存在法律不确定性。
- 安装链路复杂，涉及 MuJoCo、robosuite、LIBERO、RoboCasa、Isaac-GR00T、Ray、CUDA 等多个易冲突组件。
- LIBERO-Pro 与 RoboCasa 不能共用 venv，维护成本较高。
- RoboCasa 资产体积较大，下载和环境准备耗时。
- 正式实验需要 GPU 和可能的外部模型服务/API，成本较高。
- 性能指标来自 README，需要结合论文、代码和复现实验独立验证。
- 运行时会生成代码化 Critic-Recovery bundle，需要严格沙箱、权限和审计，避免执行不可信代码造成安全问题。
- 若 campaign 配置、种子管理或 held-out 使用不规范，容易造成评测泄漏或不可复现。
2026-08-24
第27名
新收录 · github_search
