OpenVLA 模型微调与机器人平台部署实战

测试环境：Jetson AGX Orin 64GB，JetPack 6 量化精度对比：后续微调模型在 INT4 上的准确度将与 FP8/FP16 保持一致

每一帧都会打印模型预测的 7 维动作向量及其真实值，以及该帧的准确率、延迟和帧率。波浪号（~）后的数字为迄今为止各项指标的平均值，命令结束时最后一行报告的是整个数据集处理完毕后的总体均值。

# INT4 step 355 [-0.02692 0.00776 -0.00299 0.08160 0.07292 0.04791 0.99608] accuracy 0.8466 ~0.9017 time=336.2 ms fps=2.96 ~2.97 gt 355 [-0.02387 0.00760 -0.00318 0.15965 0.07707 0.03281 1.00000]
# FP8 step 355 [-0.02392 0.00767 -0.00310 0.08160 0.07692 0.03217 0.99608] accuracy 0.9982 ~0.9523 time=469.7 ms fps=2.13 ~2.12 gt 355 [-0.02387 0.00760 -0.00318 0.15965 0.07707 0.03281 1.00000]
# FP16 step 355 [-0.02392 0.00767 -0.00310 0.08160 0.07692 0.03217 0.99608] accuracy 0.9982 ~0.9531 time=842.3 ms fps=1.19 ~1.18 gt 355 [-0.02387 0.00760 -0.00318 0.15965 0.07707 0.03281 1.00000]

Bridge 数据集已包含在训练集中，下面还会在未参与训练、具有更大场景变化的新数据上再次运行测试。此工具同样支持加载 Open X-Embodiment 中的 RLDS/TFDS 格式数据集，以及 Robomimic/MimicGen 的 HDF5 格式数据。

2. 推理 API

在容器中使用 NanoLLM 库对摄像头流运行 VLA 推理的代码非常简单：

from nano_llm import NanoLLM
from nano_llm.plugins import VideoSource

# 加载视觉 - 语言 - 动作模型（VLA），使用 q4f16_ft 量化方式
model = NanoLLM.from_pretrained(model, quantization='q4f16_ft')

# 打开摄像头（或视频流），在 CUDA 流 0 上进行处理
camera = VideoSource(video_source, cuda_stream=0)
assert(model.vla)

while True:
    # 捕获一帧图像，返回格式可以是 cudaImage、NumPy 数组或 GPU 上的 Torch 张量
    image = camera.capture()
    if image is None:
        continue

    # 基于当前图像和指令，预测动作向量
    actions = model.vla.predict_action(
        image,
        instruction="pick up the nearest object",
        action_space="normalized",
        return_tensors='np'
    )
    # 接着就可以把 actions 发给机器人控制器或 IK 解算器去执行啦

quantization='q4f16_ft' 表示在推理时使用 INT4 + FP16 混合量化，并进行过微调，以在嵌入式设备（如 Jetson）上获得最佳性能和精度平衡。

3. 在线验证

鉴于该任务领域的挑战性、动态反馈回路以及仿真/训练/推理的计算需求，使用 VLA 进行语言引导的灵巧操作相比于仅使用 LLM 和 VLM，复杂度显著提升。

要从 token 级别预测 logits，到在一系列连续帧中不断输出足够正确的动作以形成有用行为，必须在训练和推理流程的每个阶段交叉检验输出并衡量准确度。与典型的监督学习应用不同，最终任务完成度和成功率并不是从不考虑时间序列和物理交互反馈及复合误差的静态预录数据集中测量的——它们需要在线验证，无论是在仿真中还是在真实测试中。

在训练期间，会根据真实动作标签（即有多少动作 token 被准确预测）来测量 token 分类准确率。同时，也会根据还原出的实值输出与真实值的 L1 误差来衡量连续域动作准确率。由于 token 分类不对'更接近目标'提供额外奖励，连续动作准确率通常会略高于分类准确率。

实际上，为了在类似环境中成功完成任务，这两项准确率都应保持在 95% 以上。为了达到如此高的准确度，相关工作和研究中通常会故意让模型在相同的 90 万个 episode 上训练多达 30 个 epoch，以实现'过拟合'。Transformer 擅长通过少量示例记忆特定知识，但也对过拟合和遗忘先前学到的信息非常敏感。

在本项目的微调阶段，我们评估了不同训练 episode 数量与重复数据 epoch 数量对模型准确率和任务成功率的影响。直到推理阶段才会测量实际的任务成功率，此时模型要么连入仿真器，要么在相似条件下进行一系列耗时的物理实验。

我们将 MimicGen 直接集成到 OpenVLA 的训练脚本中，以源源不断地产生全新的数据，但在模型处理了大量 episode 后，遇到了梯度不稳定的问题。

4. 用 MimicGen 仿真

MimicGen 利用场景图信息和任务/子任务的元数据，仅凭 10 个远程示教样本，就能生成随机化的训练回合——将原始示教轨迹插值到新的、随机的位置和姿态中。这样即可产生大量独特的训练数据，提高模型的鲁棒性，而无需投入大量人工来教机器人新技能和行为。

MimicGen 构建在 Robomimic 和 Robosuite 仿真器之上，可与 VLA 一同在 Jetson 上无头运行，极大简化了可复现性实验的环境搭建。MimicGen 包含 12 种任务，例如块状物堆叠、抓取与放置、装配以及厨房场景。每种任务都有随着学习进展而难度递增的多个变体。

在本教程阶段，我们将聚焦'块状物堆叠'任务，以了解要达到论文中 >75–80% 的成功率，所需的训练需求和运行时性能指标。

4.1 数据生成

我们基于一份针对 aarch64+igpu 做了补丁的代码分支，构建了用于 Jetson 的 MimicGen 容器，并增加了一些功能增强：

• 为相关任务生成带有随机变体的自然语言标签
• 对物体的颜色/材质做额外的领域随机化（对应的环境版本命名为 Stack_D2、Stack_D3 和 Stack_D4）

在训练 OpenVLA 时，会将图像和标签保存到磁盘；而后续的推理则在在线仿真中完成，以测量任务成功率。在这个 OpenVLA 分支中，已初步支持将 MimicGen 直接集成到训练流程，实现实时仿真与验证。

下面的命令会生成指定数量的训练回合，保存为 Robomimic HDF5 格式。OpenVLA 建议仅需 10–150 回合即可完成高效微调与适应，但我们发现在 MimicGen 环境下远不足以达到预期效果。

jetson-containers run $(autotag nano_llm) \
 python3 -m mimicgen.generate \
 --tasks Stack_D4 \
 --episodes 100 \
 --output /data/datasets/mimicgen \
 --cameras agentview \
 --camera-width 224 \
 --camera-height 224

4.2 RLDS 转换

OpenVLA 使用基于 TFDS 的 RLDS 格式数据集，所以我们提供了一个从 HDF5 到 RLDS 的转换工具。对于大量回合的数据，这一步也可能非常耗时，这正是我们希望在训练时在线运行 MimicGen 并直接将其集成到 OpenVLA 的原因之一。

jetson-containers run $(autotag nano_llm) \
 python3 -m nano_llm.datasets \
 --dataset /data/datasets/mimicgen/demo_src_stack_task_D4/demo.hdf5 \
 --dataset-type mimicgen \
 --convert rlds \
 --remap-keys agentview:image \
 --output /data/datasets/mimicgen/rlds/stack_d4_ep2500

运行转换后，会在指定的输出目录下生成一组 TFRecord 文件，这些文件能够被 OpenVLA 的训练脚本直接加载使用。

5. 微调

本项目的主要目标之一是量化让模型适应不同机器人和任务所需的训练工作量。

我们的开发流程主要包括在 Jetson AGX Orin 64GB 上运行测试性 LoRA 微调并本地调试问题，当结果令人满意时，再在 A100/H100 云实例上，使用 FDSP 完整地进行微调。我们也尝试过在两台 Jetson AGX Orin 上用 FDSP 做全量微调，但所有设置均因显存不足而失败。

以下是我们曾使用的训练 GPU 配置及相应的最大化显存利用的 batch size：

在 Jetson AGX Orin 和两块 A100 上训练至收敛大约需要 24–36 小时，具体时长取决于数据量和训练轮数（epoch）。为了尽量避免前文提到的过拟合，我们在完整微调时将 epoch 控制在 5 次以内，而通过增加训练回合数来提升模型表现。

6. 推理和仿真

为了衡量模型在完成任务时的真实表现，我们在 Agent Studio 中启动了一个与 VLA 模型相连的 MimicGen 环境。它通过检查仿真发放的奖励来统计成功回合数——这些奖励模型本身并不使用，仅用以标记任务何时完成。我们设置了 200 帧的执行上限，超过该帧数则判定为失败。

jetson-containers run $(autotag nano_llm) \
 python3 -m nano_llm.studio --load OpenVLA-MimicGen-INT4
jetson-containers run $(autotag nano_llm) \
 python3 -m nano_llm.studio --load OpenVLA-MimicGen-FP8
jetson-containers run $(autotag nano_llm) \
 python3 -m nano_llm.studio --load OpenVLA-MimicGen-FP16

要开始基准测试，只需将 AutoPrompt 节点的输出连接到 OpenVLA 节点。默认情况下它会无限运行——我们各做了 100 回合测试，由于仿真与模型推理同步运作，整个过程可能需要数小时。

这里每个方框都是一个「模块」，线条表示数据流向：

1. WebAudioIn：从浏览器或麦克风抓取实时音频流。
2. VADFilter：检测「有人在说话」的时段，自动切掉静音与噪声。
3. WhisperASR：用 OpenAI Whisper 做自动语音识别，输出 partial 和 final 文字。
4. TextOverlay → VideoOutput：把识别出来的文字叠加到视频帧上，负责把最终合成的图像推送到界面右侧。
5. UserPrompt：用户也可以手工在这里输入文字。
6. AutoPrompt：综合出给 LLM 的 Prompt 列表。
7. MimicGen：视觉 + 语言的示范合成器，内部根据示例自动生成更多'虚拟示范'。
8. openvla-7b+stac：把上游的 Prompt 列表喂给一个 7B 参数量的 VLA 模型，输出一系列 actions。
9. Actions：回流到 VideoOutput，驱动仿真里的机械臂做实际操作。

此次测试使用的是在 2500 回合数据上微调 4 个 epoch 的模型。尽管任务相对简单，该模型依然证明能够达到约 85% 的预期成功率。量化对性能的提升几乎呈线性增长，对准确率的影响不到 1%。

在评估了那些使用较少回合但训练更多轮次的微调模型的成功率后，我们清楚地看到了增大数据集规模所带来的影响：

这并不意味着使用 2500 回合训练的模型就没有过拟合——事实上，它已经学会了总是先堆放小方块，基本忽略了指令。要解决这个问题，就需要在训练中引入更多任务多样性，而现在我们已有了这样的数据流程。

与此同时，我们也希望将研究扩展到现实世界场景，而不仅仅局限于仿真环境，以验证模型在真实操作中的可行性。在操控这一极具挑战的问题域中，要达到通用模型所需的变化量和数据量，不禁让人思考：是采用完全随机化的任务学习，还是在训练进程中随着复杂度递增、以更有针对性和精心设计的方式进行指导，更能高效地培养出具备广泛适应能力的模型？

7. 总结

本文梳理了 OpenVLA 模型从量化测试、数据生成、微调策略到仿真验证的全流程。核心结论在于，边缘设备上的部署需要权衡精度与速度，INT4 量化在保持较高准确率的同时能显著降低延迟。此外，利用 MimicGen 等工具进行大规模合成数据训练，是解决真实世界数据稀缺和提升模型泛化能力的关键路径。未来的工作将集中在 sim2real 的进一步集成以及对 CrossFormer 等更先进模型的研究上。