机器人控制栈：面向大规模机器人学习的精简生态

Vision-Language-Action 模型正在改变机器人学习的做法：不再为每个任务设计专门的策略架构和定制组件，而是靠大规模数据采集加上针对具体 setup 的微调。工作重心一旦转到模型和可扩展训练上，原本按固定系统架构设计的传统机器人软件框架反而成了瓶颈；而面向机器人学习的仿真器虽然能高度并行地训练，却缺少核心机器人功能，对真机控制的支持也有限。结果是每换一个机器人 setup、一个模型或一个任务，研究团队都得重新做一遍定制。Robot Control Stack（RCS）要回答的就是这个缺口：能不能有一套软件生态，灵活适配单个机器人 setup 的独特属性，同时对接社区标准与主流机器学习工具链。

RCS 由 Tobias Jülg、Pierre Krack、Seongjin Bien 等共同一作，作者来自纽伦堡工业大学、德累斯顿工业大学 LASR 实验室、西门子基础技术部门与慕尼黑工业大学，是一个从零为 VLA 研究设计的库与工具集。它的架构是分层的、模块化且易于在不同抽象层级上扩展：顶层应用通过基于 Gymnasium 的 Python API 访问机器人、传感器和执行器，从而在真实硬件与 MuJoCo 仿真之间方便地切换；底层暴露 C++ API 承载性能关键的功能，使同一套栈既适合端到端策略学习，也适合低层控制。论文的工作分两部分：一是介绍这套架构及其设计原则，二是沿 VLA 与强化学习策略的完整开发周期评估它的可用性与性能。实验部分还给出了 Octo、OpenVLA 和 π0 在多种机器人上的评估，并考察仿真数据如何改善真实世界中的策略表现。

论文用一张特征矩阵把它与最接近的若干软件包逐项对照，比较维度包括硬件支持、仿真后端、Gymnasium 接口、低层 API、分布式与并行训练、pip 安装、在线推理与离线数据采集。表中 RCS 的硬件一栏标为通用，仿真为 MuJoCo，Gymnasium 与 C++ 低层接口同时具备，其余各列也均为支持。对照之下，Isaac Lab 挂在 ROS2 与 Isaac Sim 上，没有低层 API；frankx 只覆盖 Panda 一种硬件且没有仿真；Deoxys 同样限于 Panda 加 robosuite，Gymnasium 与低层接口都不提供；Polymetis 也仅支持 Panda；LeRobot 覆盖面较广，但缺少低层接口；Ark 支持通用硬件和多种仿真器，并提供 C++ 低层接口。换句话说，RCS 的定位是在保持“最小 footprint 与依赖”的同时把功能集补全——这一点是作者明确主张的设计取舍，而非单纯的规模竞赛。

评估沿着几条常见用例展开：跨本体支持，仿真环境与真实环境中的训练数据采集，以及 VLA 和 RL 智能体的训练与评估。值得一提的是，作者把 Octo、OpenVLA、π0 放在多个机器人上做了较广泛的对比，并直接讨论仿真数据对真机策略性能的增益——这使这套栈不只是基础设施，也带出一份关于当前主流 VLA 策略可迁移性的经验参考。需要说明的是，这份材料只给出了评估的框架与对象，没有列出成功率一类的具体指标数值，读者若关心量化结论需要回到原文。代码、数据集与视频发布在 robotcontrolstack.github.io。

这些设计的实际含义在于把工作流的方向倒过来：让机器人 setup 成为训练与推理回路的一部分，而不是让方法去迁就一个预先固定的系统架构。统一的 Gymnasium 接口把“换硬件”和“换仿真”压成同一件事，仿真到现实、现实到仿真的双向迁移因此少了一层适配成本；pip 可分发性则直接关系到模型与数据在社区中的共享。对需要同时跑真机实验和大规模并行仿真训练的队伍来说，轻依赖也意味着部署与算力环境的选择更宽松。

这份资料适合做机器人学习基础设施选型、或准备在真机上跑 VLA 与 RL 实验的研究者与工程团队读：可以拿走一套分层解耦的栈设计思路，一份与 Isaac Lab、LeRobot、Ark 等的功能对照，以及 Octo、OpenVLA、π0 跨机器人评估的参考框架。边界也要说清楚：仿真后端目前只有 MuJoCo 一个，评估的策略限于材料列出的这几类，具体支持机型清单与性能数字在给定材料中并未展开，引用次数也远不足以说明工程成熟度。把它当作一份设计宣言加选型对照表来读，比当作基准测试报告更合适。

Robot Control Stack: A Lean Ecosystem for Robot Learning at Scale Tobias J¨ulg∗1, Pierre Krack ∗1, Seongjin Bien ∗1, Yannik Blei 1, Khaled Gamal 1, Ken Nakahara 2, Johannes Hechtl 1,3, Roberto Calandra 2, Wolfram Burgard 1 and Florian Walter 1,4 Abstract— Vision-Language-Action models (VLAs) mark a major shift in robot learning. They replace specialized archi- tectures and task-tailored components of expert policies with large-scale data collection and setup-specific fine-tuning. In this machine learning-focused workflow that is centered around models and scalable training, traditional robotics software frameworks become a bottleneck, while robot simulations offer only limited support for transitioning from and to real-world experiments. In this work, we close this gap by introducing Robot Control Stack(RCS), a lean ecosystem designed from the