清华联合无问芯穹开源具身智能云原生平台 RLark
RLark 让机器人和相机像 GPU 一样被申请调度，设备纳管从 1 小时缩到约 5 分钟，跨集群任务 10 秒内启动
机器人从单机走向机群后，设备接入、任务部署、跨地网络配置都要逐一处理，成本随规模放大。清华大学与无问芯穹开源云原生平台 RLark，把机器人、相机等具身设备注册成可申请、可调度的资源，并用任务级跨集群网络互联打通云端训练与现场真机交互。
正文摘录
一架架飞机在空中有序飞行，按时起降，看似只是飞机自己的事情，实际上，它需要持续与机场、跑道、航线以及地面资源系统协同。 这正是“塔台”存在的意义：它负责把分散的飞机和地面、空中的资源协调组织起来，让飞机根据各自的任务有序运行。而当飞机越来越多、航线越来越复杂，这种统一管控和协调也就变得越来越重要。 一项具身任务，本质上是多个角色的协同：机器人和相机等现场设备、云端算力、训练与推理程序，以及连接这些角色的通信和运行环境。 而随着更多机器人投入研发与应用，这种协同的复杂度与成本更将进一步放大：设备需要一个个接入，任务需要分别部署，云端与现场需要反复配置网络，不同设备和程序出了问题，还要逐一排查设备、网络、程序。 因此，当机器人从“单机”走向更大的“机群”，具身智能也需要一座新的“塔台”——不只是“把设备接进来”，而是统一组织管理分散的算力、设备和执行程序，让它们围绕同一项任务协同高效运行。 为解决这一问题，清华大学与无问芯穹共同打造并开源面向具身智能的云原生纳管平台 RLark。平台以自研的具身设备运行时（embodied-runtime）和任务级跨集群网络互联技术为核心，打通“真实设备如何被统一调度”与“跨地域任务如何互联运行”两个关键环节。 一方面，统一管理机器人、相机等具身设备的运行时环境，让设备可以像 GPU 一样被申请、调度和复用；另一方面，针对不同任务和网络流量特征，对跨集群通信进行任务级隔离，并优化大小包传输性能，提升云端与现场协同运行的效率。 最终，RLark 可以将云端算力、边缘节点和具身设备纳入统一资源体系，并以一项完整任务为单位组织运行。让一次实验中完成的接入、部署与通信配置，能够在后续任务中复用。运维人员通过一行命令即可接入并统一管理设备，研究人员通过一份任务配置，即可将训练、推理和真机交互程序部署到不同集群。