跳转至

Cyclo Intelligence（ROBOTIS · Apache-2.0 · 2026-05 建库，活跃）

📌 一句话：ROBOTIS 给自家 AI Worker（FFW 双臂人形） 做的全流程 Physical AI 平台——数据录制→数据集转换→策略训练→推理→机器人执行；顶层用行为树(BehaviorTree.CPP v4)当"任务指挥"，把 VLA/模仿学习策略当一种"叶子动作节点"来加载/跑/停。用户的判断对：这确实是行为树 × VLA，但是"BT 指挥、VLA 干活"的经典分层组合，不是 VLA 生成/学出 BT。 🎬 GitHub repo（~20★，Python）· 文档 · 模型/数据 HF ⚠️ 代码/平台卡，非论文：无 benchmark、无新模型、无性能数字可评。功能描述来自直接读源码（✅一手）；"跑得稳/好用"无第三方复现（🟡）。

🧰 对我们（可用性速判）

  • 用处：直接对口 [projects/aloha-demo]——它编排的策略后端正是我们选型里那套：LeRobot(ACT/SmolVLA/xVLA/π0/π0.5/diffusion) + NVIDIA GR00T N1.7，还自带 rosbag→LeRobot v2.1/v3.0 数据集转换。= 一份"别人怎么把 LeRobot/GR00T 部署管线做成产品级"的可抄参考实现。
  • 真实性：✅ 平台真实存在、代码可读可跑（Apache-2.0、install.sh、docker、s6、ROS2 接口齐全）；🟡 "现场稳定性/成功率"无数据。
  • 训练资源：不适用（是编排+部署框架，不是要训的模型）。训练走它包的 LeRobot/GR00T 后端。
  • 能借多少开源：高——全开源、Apache-2.0。可借：① BT 把长程任务拆成"加载策略→摆初始位姿→循环跑推理→复位"的编排范式；② 策略无关的两进程容器 runtime(main-runtime 控制环 + engine-process 推理，Zenoh IPC，InferenceEngine ABC 插新后端)；③ rosbag→LeRobot 转换脚本。
  • 可用性结论：思路与代码可借、整套直接搬有摩擦。它强绑 ROBOTIS AI Worker(FFW-SG2) 的 robot_config 与硬件（100Hz 控制/15Hz 推理、双臂+头+升降关节）；搬到 AlohaMini 要改机器人配置与本体假设。近期价值=aloha-demo 的部署参考 + "BT 组合 VLA 做长程任务"的现成样板，而非拿来即用。

亮点（亮点在哪 = BT 当指挥、VLA 当叶子，人写任务图）

  1. 行为树 = 任务层指挥（orchestrator/orchestrator/bt/，BehaviorTree.CPP v4 XML + React GUI 编辑器）。节点很朴素：控制节点 Sequence/Loop；动作节点 SendCommand(LOAD/RESUME/STOP/CLEAR 推理)、JointControl(脚本化关节)、Rotate、Wait。
  2. VLA 策略 = 一种可加载的叶子动作。示例树 ffw_sg2_rev1_example.xml 一目了然： SendCommand LOAD model="groot:n17" task_instruction="Pick up the paper cup"（把 VLA 载入内存并暂停）→ JointControl(摆初始位姿) → Rotate 90° → Loop×3 { RESUME(跑 VLA 推理) → Wait 3s → STOP → JointControl 复位 } → CLEAR(卸载)。
  3. 关键洞察：VLA 只在 RESUME→STOP 之间成段(burst)地跑，中间用确定性脚本原语(关节控制/旋转/等待)做复位与穿插；task_instruction 逐节点传 → 不同 BT 节点可用不同语言指令调同一 VLA = 人手写的长程任务分解，每个子任务是一次带指令的 VLA 调用。
  4. 策略无关的部署 runtime（cyclo_brain/policy/）：main-runtime/engine-process 两进程 + s6 监督 + Zenoh；后端 GR00T(GR00T N1.7，可用 gated nvidia/Cosmos-Reason2-2B 骨干) 与 LeRobot 并存，create_engine() 实现 ABC 即插新后端（README 明说 OpenVLA 也能插）。动作块(ActionChunk)按 15Hz 推理→100Hz 控制重采样对齐。

关键事实（读源码所得 · ✅）

  • 组成：orchestrator/(BT+UI，246 文件·最大模块) · cyclo_brain/(策略 runtime+GR00T/LeRobot 引擎) · cyclo_data/(rosbag→LeRobot 转换) · shared/ · interfaces/(ROS2 msg/srv：ActionChunk / SendCommand / InferenceStatus / LoadAndRunTree / GetTreeList…) · docker/。
  • 目标本体：ROBOTIS AI Worker / FFW（host 名以 ffw 开头则装到 /mnt/ssd）。Apache-2.0，作者 Seongwoo Kim 等，2026-05-07 建库、2026-07-10 仍在推。
  • 支持策略别名（send_command.py）：groot:n17/n1.7 → GR00T；lerobot:act|smolvla|xvla|pi0|pi05|diffusion → LeRobot。

证据与可信度

  • 档位：A（代码平台级，一手源码可核） ——功能/架构从直接读 main 分支源码得来，非二手转述。
  • 但无研究结论可评：没有 benchmark、成功率、消融或对比——所以"BT×VLA 是否比端到端长程 VLA 更好"这类问题本卡不回答（🟡，它只是给了一个工程实现，不是实验证据）。
  • ~20★、建库两月、厂商自用为主 → 社区验证少（🟡）。

复现成本

  • 低-中：全开源、有 install.sh/docker。但"完整跑起来"需要 ROBOTIS AI Worker 真机或其 MuJoCo 仿真（robotis_mujoco_menagerie）；换本体要改 shared/shared/robot_configs/<robot>_config.yaml 与关节/相机映射。GR00T 后端要 HF gated Cosmos 权限。

局限

  • BT 是人手写/GUI 拖的，不是学出来/VLA 生成的——别当成"神经符号自动规划"研究，它是工程编排（确定性任务图 + 学习策略叶子）。
  • 强绑 ROBOTIS 本体与其 ROS2/Zenoh 栈；跨本体移植有工作量。
  • 无任何性能证据，稳定性未知。

我的批注

  • 🤖 对 aloha-demo 的两点实用价值：① 它证明"LeRobot/GR00T 策略 + 数据转换 + 部署 runtime"能做成产品级管线，其 rosbag→LeRobot 转换与两进程推理 runtime 值得抄；② 它给的"BT 编排 = 加载→摆位→成段跑 VLA→复位→循环"范式，正好解我们 demo 的一个真问题——怎么把不稳的策略包在可控脚本骨架里、失败能复位重试（对应 aloha-demo「$600 平台成功率波动、要挑鲁棒任务」那条）。演示时用 BT 兜住 VLA 的不确定性，比裸跑一个端到端策略更稳、也更好演。
  • 🤖 与主线（触觉×VLA）关系较远：它不碰触觉，是纯"视觉 VLA + 任务编排"。价值在部署工程与任务组合侧，不在感知侧。

来源

  • 📄 ROBOTIS-GIT/cyclo_intelligence 仓库源码（main，2026-07-10 读）：orchestrator/orchestrator/bt/(BT 实现+示例树)、cyclo_brain/policy/(runtime+GR00T/LeRobot 引擎)、send_command.py(策略别名表)。
  • 关联：卡片-GR00T-N1（它集成的 GR00T 后端 N1.7）· [../../projects/aloha-demo/01-model-selection.md]（同款 LeRobot 策略阵容；本卡是其部署参考）· LeRobot 阵容见 aloha-demo 选型页。

🔗 相关卡片
卡片-GR00T-N1