企业官网建设流程全解析

5分钟跑通π₀：openpi机器人VLA模型从部署到微调的实战指南

【免费下载链接】openpi项目地址: https://gitcode.com/GitHub_Trending/op/openpi

openpi 是 Physical Intelligence 团队为机器人学习发布的开源模型与工具集，主角是 π₀ 系列模型。它们属于 VLA 模型（Vision-Language-Action，视觉-语言-动作模型），简单说就是让机器人同时看懂画面、听懂指令、做出动作。项目不仅给出模型权重，还提供预训练了 10,000 多小时机器人数据的基础模型检查点、微调脚本和推理服务，一条完整的落地链路。

先搞懂：π₀ 与 π₀-FAST 的两种技术路线

π₀ 家族目前分两条路线，理解它们能帮你选对模型：

• π₀：基于流式扩散（flow-based）的 VLA，把动作序列当作"从噪声中逐步去噪"的生成过程。推理速度快，但对语言指令的遵循能力依赖预训练质量。
• π₀-FAST：自回归 VLA，先用 FAST 动作分词器把动作量化成 token，再像语言模型那样逐 token 预测，语言指令跟随表现更好，还能复用大模型解码技巧。

两类模型都提供基础检查点，既可以开箱推理，也可以微调到你自己的数据集上。

环境与部署 ⚙️

硬件与系统要求

项目目前只在 Ubuntu 22.04 上验证过，暂不支持其他系统。GPU 显存按用途划分：

克隆仓库并一键安装依赖

按下面两步走：

1. 克隆仓库（必须带上子模块，里面包含机器人平台的配套代码）：

git clone --recurse-submodules https://gitcode.com/GitHub_Trending/op/openpi

2. 安装 uv 后，用两条命令完成环境搭建：

GIT_LFS_SKIP_SMUDGE=1 uv sync GIT_LFS_SKIP_SMUDGE=1 uv pip install -e .

这里的GIT_LFS_SKIP_SMUDGE=1是为了正确拉取 LeRobot 训练依赖，别漏掉。如果系统环境反复出问题，可以改走项目提供的 Docker 安装路线，步骤见 docs/。

跑通第一个推理任务 🚀

没有真实机器人也能验证流程：项目在examples/simple_client/提供了无机器人测试脚本，会生成随机观测并请求模型推理。或者自己用几行代码搞定——下面的例子加载 π₀.₅-DROID 专家检查点，传入观测图片和一句文本指令，返回一个动作块（action chunk，即机器人接下来要执行的一段动作序列）：

from openpi.training import config as _config from openpi.policies import policy_config from openpi.shared import download config = _config.get_config("pi05_droid") checkpoint_dir = download.maybe_download("gs://openpi-assets/checkpoints/pi05_droid") # Create a trained policy. policy = policy_config.create_trained_policy(config, checkpoint_dir) # Run inference on a dummy example. example = { "observation/exterior_image_1_left": ..., "observation/wrist_image_left": ..., ... "prompt": "pick up the fork" } action_chunk = policy.infer(example)["actions"]

检查点首次运行会自动下载并缓存到~/.cache/openpi，也可以用OPENPI_DATA_HOME环境变量改缓存位置。手上有 DROID 或 ALOHA 实机时，直接照 examples/droid/ 的逐步指南把模型接到你的平台上。

从基础模型到你的数据：三步完成 π₀ 微调

以 LIBERO 数据集为例，微调流程就三步，其他数据集同理：

1. 把数据转成 LeRobot 数据集。训练流水线只消费 LeRobot 格式，项目里examples/libero/convert_libero_data_to_lerobot.py是一份最小转换脚本，改成适配你的数据即可。
2. 定义配置并启动训练，先算训练数据的归一化统计量，再开训：

uv run scripts/compute_norm_stats.py --config-name pi05_libero XLA_PYTHON_CLIENT_MEM_FRACTION=0.9 uv run scripts/train.py pi05_libero --exp-name=my_experiment

3. 起策略服务器对接机器人，训练完直接用检查点起服务：

uv run scripts/serve_policy.py policy:checkpoint --policy.config=pi05_libero --policy.dir=checkpoints/pi05_libero/my_experiment/20000

服务默认监听 8000 端口，你的机器人运行时只需把观测发过去、取回动作。

社区生态与延伸方向

• 现成的专家检查点：项目发布了多个针对 DROID Franka 和 ALOHA 平台的微调模型，覆盖 0-shot 折毛巾、开食品盒、拔笔盖等任务。虽然官方坦言不保证每个平台都能跑通，但 DROID 检查点在实践中泛化面较广，值得优先试。
• 远程推理服务：模型放在 GPU 较强的服务器上，机器人端只负责采集与执行，动作经 WebSocket 流式下发，方便把计算与机器人环境彻底解耦，接入方式见 docs/remote_inference.md。
• 平台适配示例：examples/目录下还收录了 ALOHA 仿真/实机、LIBERO、UR5 等平台从数据转换到评测的完整 README，照着改就能迁移到自己的平台。
• PyTorch 支持：2025 年 9 月起 π₀ 与 π₀.₅ 提供 PyTorch 实现，推理与微调 API 和 JAX 版一致，还附了 JAX 检查点转 PyTorch 的脚本；注意 FAST、混合精度训练等特性暂不支持。

【免费下载链接】openpi项目地址: https://gitcode.com/GitHub_Trending/op/openpi