企业官网建设流程全解析

第一次跑Zetta的机器人 Rollout？别慌。本文带你走完完整链路：安装 LIBERO-Pro + Pi0.5 环境 → 启动 Rollout Runtime → 准备 campaign → 跑完一个真实 LIBERO-Pro episode，并逐一讲解每条命令和关键参数。Zetta 是一个高效闭环具身智能 harness，它在线演化基于代码的运行时 Critic 与 recovery skill，同时保持基座策略（VLA 模型）冻结，在 LIBERO-Pro 上取得 90.8% 的成功率。

一、30秒搞懂 Zetta：为什么叫"自演化"

在动手前，先建立一个心智模型。Zetta 把一次 Rollout 拆成三个角色：

也就是说，你启动的 "Rollout Runtime" 本质上是一个Gateway + 多 Worker 的推理服务，campaign 通过 HTTP 指向它，而不是每个任务各起一套 VLA/环境服务。这个架构在 LIBERO-Pro 上带来了 11.1x 的推理加速（见 README）。

二、环境准备：一键搭建 LIBERO-Pro + Pi0.5 运行时

Zetta 支持 Python 3.11–3.12，但 LIBERO-Pro 仿真器链路使用 Python 3.10 的专用 venv。整个环境由一个脚本构建：

git clone https://gitcode.com/gh_mirrors/ze/Zetta-Embodiment cd Zetta-Embodiment export REPO_ROOT="$PWD" export VENV_ROOT=/abs/path/to/venvs/libero-pro bash scripts/deployment/install_vla_env.sh --track libero-pro

这个脚本会做四件事（详见 scripts/deployment/VLA_ENV_SETUP.md）：

1. 创建独立 venv，锁定已验证版本（robosuite==1.4.x、rpent-liberopro==0.1.1、rlinf-openpi==0.1.1）；
2. 下载并构建LIBERO-Pro 复合资源树（合并 robosuite 机器人模型与 LIBERO-Pro 场景）；
3. 应用 7 个兼容性修复（如 MuJoCo 版本回退、pydantic 锁定）；
4. 最后自动执行一次"创建-重置-关闭"仿真环境冒烟测试——如果这一步失败，说明环境没装好。

⚠️ 注意：LIBERO-Pro 与 RoboCasa 因robosuite版本不兼容，不能共用同一个 venv。

另外，你还需要一份 Pi0.5 的 LIBERO 微调权重（RLinf-Pi05-LIBERO-SFTcheckpoint），放在本地任意路径即可。

三、启动 Rollout Runtime：核心命令详解

环境就绪后，启动 Gateway 服务。官方示例命令：

CUDA_VISIBLE_DEVICES=0 MUJOCO_GL=egl \ RR_PI05_MODEL_PATH=/abs/path/to/RLinf-Pi05-LIBERO-SFT \ python -m rollout_runtime.cli serve \ --config a100_libero_pi05_pro \ --host 127.0.0.1 \ --port 18730 \ --launch ray

逐个参数解释（CLI 实现在 rollout_runtime/cli.py）：

• --config：preset 名或 yaml 路径。这里用a100_libero_pi05_pro，它把libero_variant设为pro、return_all_frames: true（开录像，工具链要靠它产出episode.mp4）。所有 preset 都在 rollout_runtime/config/presets/，建议复制一份后按本机 GPU 数量改num_ranks和placement，而不要提交带真实路径的新 preset；
• --launch ray：真实运行必须加。它把 EnvWorker（仿真）和 RolloutWorker（模型推理）放进独立进程，避免互相抢占资源；--launch local（默认）只适合 CI 冒烟测试；
• RR_PI05_MODEL_PATH：环境变量覆盖 preset 里的model_path，避免把机器路径写进仓库（见 a100_libero_pi05_pro.yaml）；
• MUJOCO_GL=egl：无显示器服务器上用 EGL 做离屏渲染。

[!TIP] 单卡想先试水？可用 zetta_libero_pi05.yaml（1 env rank × 1 rollout rank 形态），它专为"一个 agent 一个 session"的交互式回合设计。

一分钟冒烟检查

Runtime 是标准 HTTP 服务，绑在127.0.0.1（非回环地址会强制要求RR_AUTH_TOKEN）。服务起来后：

curl http://127.0.0.1:18730/healthz

返回正常即说明 Gateway 已就绪，Gateway 的实现见 rollout_runtime/serve/app.py。

四、准备 Campaign：冻结一份不可变实验清单

Zetta 的实验流程是固定的两步：先用prepare_*_campaign.py对着运行中的 Runtime冻结一份manifest.json（任务、种子、评测 horizon、Gate 契约全部固化，且不含任何密钥），再用run_campaign.py驱动状态机。

针对 LIBERO-Pro，执行（参数清单以--help为准，脚本见 scripts/evolution/prepare_libero_campaign.py）：

python scripts/evolution/prepare_libero_campaign.py \ --output-root runs/libero-goal-s-task3/g0000 \ --campaign-id libero-goal-s-task3-g0000 \ --repository-root "$PWD" \ --runtime-python .venv/bin/python \ --code-commit "$(git rev-parse HEAD)" \ --suite libero_goal_swap \ --task-id 3 \ --task libero_goal_swap/task3 \ --task-language "Open the top layer of the drawer and put the bowl inside" \ --master-seed 2026081103 \ --rollout-count 50 \ --fixed-heldout-seeds 1-20 \ --heldout-mode test \ --runtime-url http://127.0.0.1:18730 \ --runtime-policy-id pi05

关键参数说明：

• --runtime-url/--runtime-policy-id：指向你刚启动的 Rollout Runtime 及其policy_id（preset 里是pi05）。这是新版连接方式，替代了旧的--vla-endpoint直连；
• --master-seed：开发种子由它确定性派生。注意：开发种子永远不要与 held-out 种子 1..20 重叠，这是官方安全规范；
• --rollout-count 50：正式跑默认 50 条 rollout；如果只是验证链路通不通，可用 1/1/1 的小配置做有界检查（但那不算 benchmark 结果）；
• --heldout-mode test：held-out 结果只用于测试，除非你在任何 episode 运行前预注册validation模式。

这一步完成后，runs/.../g0000/下会出现manifest.json、preregistration.json、tool-catalog.json等冻结文件。

五、运行 Campaign：从 Rollout 到技能晋升

python scripts/evolution/run_campaign.py \ --manifest runs/libero-goal-s-task3/g0000/manifest.json \ --root runs/libero-goal-s-task3/g0000 \ --queue-root runs/libero-goal-s-task3/queue \ --tool-catalog runs/libero-goal-s-task3/g0000/tool-catalog.json \ --workers libero-worker-0 \ --model <model-name> \ --max-generations 1

命令来自 scripts/evolution/run_campaign.py，它启动 worker、接收 episode 结果，并驱动整个状态机：

50 条开发 Rollout → Failure Cluster → Stage 1 因果诊断 → Stage 2 Critic-Recovery 候选 → Shadow Replay → 配对 Same-seed Gate → Held-out seeds 1..20 → 拒绝则回到 Stage 2，通过则 Promote 完成

每个 episode 由 robots/libero/run_evolution_rollout.py 实际执行：Pi0.5 负责抓取（pi_pick），LLM 角色（Role1）负责运动、放置与重试决策——Recovery 工具的完整清单见 docs/libero-recovery-tools.md。

运行期间随时查看进度（只读）：

python -m zetta.evolution.cli status \ --root runs/libero-goal-s-task3/g0000 \ --queue-root runs/libero-goal-s-task3/queue

六、一个完整 LIBERO-Pro episode 留下什么？

跑完一个 episode 后，输出目录里你会看到（目录布局见 docs/libero-recovery-tools.md）：

<attempt>/ result.json # 成败、耗时、artifact 索引 trajectory/ actions.jsonl # 每步动作 states.jsonl # 每步状态（感知隔离模式，不含GT坐标） chunks.jsonl # 策略动作块与 Critic 提议 videos/ episode_agentview.mp4 # 主视角完整录像 episode_wrist.mp4 # 腕部相机录像 visual-evidence/ # 轨迹分段与可视化证据

打开episode_agentview.mp4看机械臂在抽屉场景里执行 "Open the top layer of the drawer and put the bowl inside"，恭喜你——你的第一次 Zetta 机器人 Rollout 就跑通了 ✅

七、性能提示：让 Rollout 更快

Runtime Gateway 的端到端吞吐是 Zetta 的核心卖点。下图来自 nvJPEG 编码实验，展示真实 Pi0.5 模型经 Runtime Gateway 的端到端 rollout 吞吐（steps/s）：

两个实用建议：

1. JPEG 编码：在 preset 的env_config中设置image_codec: jpeg+jpeg_quality: 90，图像编码可快 27 倍（报告见 docs/img-encode-report/nvjpeg-optimization-report.md）；但注意它是有损实验路径，特定 checkpoint 下可能出现非有限动作，正式跑仍建议默认 PNG；
2. FlashRT 后端：单卡 RTX 4090 上，把 preset 的policy_backend换成flashrt（FP8 + CUDA Graph），Pi0.5 单样本延迟降 9.9×，经 Gateway 降 4.5×，动作余弦相似度 0.9989。步骤见 README 的 FlashRT Integration 章节。

八、常见问题速查

小结

回顾一下完整链路：

1. install_vla_env.sh --track libero-pro建环境（含自动资产下载）；
2. python -m rollout_runtime.cli serve --config a100_libero_pi05_pro --launch ray启动 Runtime；
3. prepare_libero_campaign.py冻结 manifest；
4. run_campaign.py驱动 Rollout → 诊断 → 候选 → Gate 全流程；
5. 在episodes/下拿到episode_agentview.mp4与全部轨迹证据。

从第一条命令到看你的第一条机械臂视频，这就是 Zetta 的完整闭环：基座策略保持冻结，进化发生在线、可审计、可复现。祝你的第一次 Rollout 顺利 🚀