sparkmind-inference 1.0.0rc6

Standalone inference SDK for ACT, SmolVLA, PI0, and PI0.5 policy inference.

Inference SDK

sparkmind-inference 是一个独立的 Python SDK，用于 ACT、SmolVLA、PI0 和 PI0.5 policy 模型推理。

它只关注一件事：

输入 observation，输出 action / action chunk。

硬件驱动、相机采集、Web API、会话编排、任务状态机等业务逻辑应放在上层业务应用中。

安装

推荐使用 uv 管理隔离环境：

uv venv --python 3.13 .venv
source .venv/bin/activate

从 PyPI 安装：

uv pip install "sparkmind-inference[all,examples]"

安装后 Python import 包名仍然是 sparkmind_inference：

from sparkmind_inference import InferenceSDK

SDK 的 ACT / SmolVLA / PI0 / PI0.5 engine 依赖 SparkMind 模型实现。推荐先安装本地 SparkMind，再安装 Inference-SDK：

mkdir -p third_party
git clone https://github.com/Synria-Robotics/SparkMind.git third_party/SparkMind
uv pip install -e "third_party/SparkMind[pi,libero]"
uv pip install -e ".[all,examples]" -c constraints/validated.txt

如果 SparkMind checkout 在其他位置，请先安装该路径，并设置 INFERENCE_SDK_SPARKMIND_PATH 指向它。SDK 1.0.0rc6 的 pyproject.toml 会声明 sparkmind==1.0.0rc3，确保用户安装到和本 SDK 一起验证过的 SparkMind；本地迁移分支仍可通过 editable install 覆盖。

可选依赖：

uv pip install -e ".[act]" -c constraints/validated.txt
uv pip install -e ".[examples]" -c constraints/validated.txt
uv pip install -e ".[vla]" -c constraints/validated.txt
uv pip install -e ".[all]" -c constraints/validated.txt

如果需要运行 dataset 验证和绘图示例，推荐直接安装：

uv pip install -e ".[all,examples]" -c constraints/validated.txt

pyproject.toml 使用经过验证的版本范围；constraints/validated.txt 固定当前验证环境的顶层依赖版本。当前验证主线是 Python 3.13、外部 LeRobot v0.5.1、SparkMind 1.0.0rc3、transformers 5.3.0。

Hugging Face 下载

预训练好的模型和 LeRobot / LIBERO 数据集可以直接从 Hugging Face 下载。examples/validate_dataset_inference.py 的 --model 和 --dataset 都支持传本地路径或 Hugging Face repo id；传 repo id 时脚本会自动调用 huggingface_hub.snapshot_download()，并缓存到仓库内 .cache/huggingface/。

如果访问 Hugging Face 需要代理，可以按你的网络环境设置：

export HTTP_PROXY=http://host:port
export HTTPS_PROXY=http://host:port
export ALL_PROXY=http://host:port

也可以先手动下载到本地再运行验证：

hf download <model_repo_id> --repo-type model --local-dir models/<model_name>
hf download <dataset_repo_id> --repo-type dataset --local-dir data/lerobot/<dataset_name>

Public API Contract

• 主入口从顶层导入：InferenceSDK、Observation、SmoothingConfig、create_engine、predict_action_chunk、predict_action 和 SDK 自定义异常。
• InferenceSDK.reset_policy() 可在新 episode 开始时清空单个 policy 的 FIFO 队列、ACT temporal ensemble 状态和 RTC leftover。
• images 使用相机角色名作为 key，例如 head、wrist；可用角色以 metadata.required_cameras 为准。
• 每张图像应是 BGR 格式的 numpy.ndarray，形状为 (H, W, 3)。
• state 应是一维 numpy.ndarray，维度需要和模型 observation.state 一致。
• ACT、SmolVLA、PI0 和 PI0.5 作为已验证推理路径；PI0.5 可通过 algorithm_type="pi05" 使用。
• SDK 对外按 robot-space 处理夹爪，7 维 Alicia-M 类模型的最后一维夹爪通常是 [0, 1000]；ALOHA ACT 这类 14 维 action/state 不会套用 7 维夹爪缩放。
• predict_action_chunk() 和 predict_action() 都在调用线程同步执行，不启动后台推理线程。
• load_policy()、observation 校验和推理错误会抛出 SDK 自定义异常，方便上位机按错误类型处理。
• 如果 checkpoint bundle 里包含 robot_io.json，load_policy() 返回的 metadata.robot_io 会暴露这份机器人接口元数据，供真机 runtime 校验 state/action 语义。
• LeRobot dataset 里的夹爪如果是归一化 [0, 1]，验证脚本会通过 --dataset-gripper-scale auto 自动适配。

同步推理

推荐给业务应用使用高层 InferenceSDK API。它负责加载 policy、校验 observation，并输出一个动作 chunk。

from sparkmind_inference import InferenceSDK, Observation

with InferenceSDK(device="cuda:0") as sdk:
    metadata = sdk.load_policy(
        algorithm_type="pi0",
        checkpoint_dir="/path/to/checkpoint",
        instruction="Pick up the object.",
    )

    observation = Observation(
        images={
            "head": head_bgr,
            "wrist": wrist_bgr,
        },
        state=robot_state,
    )

    action_chunk = sdk.predict_action_chunk("pi0", observation)
    print(action_chunk.shape)  # (metadata.n_action_steps, metadata.action_dim)

真机控制可以使用同步单步 predict_action()。这会在调用线程内执行 LeRobot v0.5.1 风格 FIFO engine.step() 并直接返回当前 tick 的一个 action；ACT 可配合同步时间集成提升控制输出稳定性：

from sparkmind_inference import InferenceSDK, Observation, SmoothingConfig

with InferenceSDK(
    device="cuda:0",
    smoothing_config=SmoothingConfig(
        control_fps=30.0,
        enable_temporal_ensemble=True,
        temporal_ensemble_coeff=0.01,
        n_action_steps=1,
        enable_gripper_clamping=False,
    ),
) as sdk:
    metadata = sdk.load_policy(
        algorithm_type="act",
        checkpoint_dir="/path/to/checkpoint",
    )

    while True:
        observation = Observation(images=read_camera_images(), state=read_robot_state())
        action = sdk.predict_action("act", observation)
        send_robot_action(action)

PI0.5 可使用 algorithm_type="pi05"，"pi0.5" / "pi0_5" / "pi0-5" 也会自动归一到 pi05。

控制环使用指南

ACT checkpoint 目录、ACT temporal ensemble、PI0 / PI0.5 非 RTC FIFO、PI0 / PI0.5 RTC chunk queue 等完整控制环示例见 docs/inference_usage.md。

如果只需要执行一次推理，也可以使用一次性 API：

from sparkmind_inference import predict_action, predict_action_chunk

action_chunk = predict_action_chunk(
    algorithm_type="act",
    checkpoint_dir="/path/to/checkpoint",
    images=images,
    state=robot_state,
)

action = predict_action(
    algorithm_type="act",
    checkpoint_dir="/path/to/checkpoint",
    images=images,
    state=robot_state,
)

Advanced Engine API

底层 engine API 仍然保留，适合需要直接控制 load()、reset()、predict_chunk()、step() 的场景。对外集成优先使用高层 InferenceSDK；engine、queue、trace 等内部类型不再从顶层包导出。

from sparkmind_inference import SmoothingConfig, create_engine

engine = create_engine(
    model_type="act",
    device="cuda:0",
    smoothing_config=SmoothingConfig(
        control_fps=30.0,
        aggregate_fn_name="latest_only",
    ),
)

ok, error = engine.load("/path/to/checkpoint")
if not ok:
    raise RuntimeError(error)

try:
    engine.reset()
    action_chunk = engine.predict_chunk(images, state)
    action = engine.step(images, state)
finally:
    engine.unload()

说明：

• predict_chunk()：直接返回当前 observation 对应的完整动作 chunk，适合离线验证和曲线对比。
• step() / select_action()：走 engine 内部动作队列，每次返回一个控制 tick 的动作。

可选推理增强

ACT 可以在同步 engine.step() 路径开启 LeRobot 风格时间集成。开启后每个控制 tick 都会重新预测一个 action chunk，并在线融合重叠时间步的动作：

engine = create_engine(
    model_type="act",
    device="cuda:0",
    smoothing_config=SmoothingConfig(
        enable_temporal_ensemble=True,
        temporal_ensemble_coeff=0.01,
        n_action_steps=1,
    ),
)

SmolVLA、PI0 和 PI0.5 可以开启 RTC。rtc_inference_delay_steps 是静态延迟步数；如果你的控制环能测出实际推理延迟，可以按 tick 数传入：

engine = create_engine(
    model_type="pi05",
    device="cuda:0",
    smoothing_config=SmoothingConfig(
        enable_rtc=True,
        rtc_prefix_attention_schedule="LINEAR",
        rtc_execution_horizon=10,
        rtc_inference_delay_steps=0,
    ),
)

说明：ACT 时间集成当前用于同步 engine.step() / select_action()；SmolVLA、PI0 和 PI0.5 的 RTC 只用于 predict_action_chunk()。开启 RTC 后不要调用 predict_action() / engine.step()，需要在上层使用 RTC-aware action queue。

同步参数

• control_fps：控制频率，供上层控制环记录和调度；SDK 内部 step() 不再按 wall-clock 跳过动作。
• action_chunk_size：可选，覆盖 checkpoint 里的 chunk_size，表示模型一次 forward 的动作 horizon。
• n_action_steps：可选，覆盖 checkpoint 里的 n_action_steps，表示每次推理进入 FIFO 队列并执行的动作数，必须 <= action_chunk_size/chunk_size。
• aggregate_fn_name / fallback_mode：历史 timestamp queue 参数，LeRobot-aligned 默认 step() 路径不使用。
• enable_gripper_clamping：是否对夹爪动作做速度限制；默认关闭，避免改变官方 policy 输出。
• enable_temporal_ensemble：为 ACT 的同步 step() 开启在线时间集成。
• enable_rtc：为 SmolVLA / PI0 / PI0.5 开启 RTC。
• rtc_prefix_attention_schedule：RTC 前缀注意力权重，支持 ZEROS、ONES、LINEAR、EXP。
• rtc_execution_horizon / rtc_inference_delay_steps：RTC 执行窗口和静态推理延迟步数。

Alicia-M 真机控制

examples/alicia_m_sync_runtime.py 直接调用 Alicia-M-SDK，使用同步 InferenceSDK.predict_action()：

• 从 Alicia-M-SDK 读取 [6 关节 rad, gripper 0~1000]，送入 policy 前把 6 个关节转换成 degree。
• 默认按绝对关节/夹爪目标发布，action[:6] 是 6 个关节 degree 目标，脚本用 joint_format="deg" 交给 Alicia-M-SDK；7 维 action 的 action[6] 是夹爪 [0, 1000]。
• 如果 checkpoint 带有 robot_io.json，示例会在启动时检查是否为 joint-space state/action；eepose/cartesian 模型需要在上层 runtime 增加对应转换后再执行。

如果 Alicia-M-SDK 没安装成包，示例会尝试加载同级目录 ../Alicia-M-SDK；也可以显式指定：

export ALICIA_M_SDK_PATH=/path/to/Alicia-M-SDK

OpenCV 相机示例：

python examples/alicia_m_sync_runtime.py \
  --model-type act \
  --checkpoint-dir /path/to/act_checkpoint \
  --device cuda:0 \
  --port /dev/ttyACM0 \
  --camera head=0 \
  --camera wrist=2 \
  --fps 30

ACT 可以开启同步时间集成：

python examples/alicia_m_sync_runtime.py \
  --model-type act \
  --checkpoint-dir /path/to/act_checkpoint \
  --device cuda:0 \
  --port /dev/ttyACM0 \
  --camera head=0 \
  --camera wrist=2 \
  --fps 30 \
  --temporal-ensemble

act 可加 --temporal-ensemble。predict_action() 真机路径不支持 --enable-rtc；SmolVLA / PI0 / PI0.5 的 RTC 需要使用 chunk 推理和上层 RTC-aware action queue。

Dataset 验证

离线逐帧验证是当前正确性验证主线，用于确认模型预处理、权重加载和输出尺度是否正确。默认 raw 模式每帧调用 predict_chunk()，比较 chunk[0] 和 dataset action：

python examples/validate_dataset_inference.py \
  --model /path/to/act_checkpoint \
  --model-type act \
  --dataset /path/to/lerobot_dataset \
  --episode 0 \
  --execution-mode raw

同步 step 模式用于验证控制环真实会执行到的动作，适合 ACT temporal ensemble 或 RTC：

python examples/validate_dataset_inference.py \
  --model /path/to/act_checkpoint \
  --model-type act \
  --dataset /path/to/lerobot_dataset \
  --episode 0 \
  --execution-mode step \
  --temporal-ensemble

PI0 / PI0.5 示例：

python examples/validate_dataset_inference.py \
  --model /path/to/pi05_checkpoint \
  --model-type pi05 \
  --dataset /path/to/lerobot_dataset \
  --episode 0 \
  --instruction "pick and place" \
  --enable-rtc \
  --rtc-execution-horizon 10

如果只是做曲线对比，优先使用 raw 模式排除同步动作队列影响：

python examples/validate_dataset_inference.py \
  --model /path/to/pi05_checkpoint \
  --model-type pi05 \
  --dataset /path/to/lerobot_dataset \
  --episode 0 \
  --instruction "pick and place" \
  --execution-mode raw

验证结果会写入：

outputs/validate_dataset_inference/<timestamp>_<model>_<dataset>_<scope>/
├── plots/
├── csv/
├── summary.csv
└── summary.json

更多说明见 examples/validate_dataset_inference.md。

LIBERO 仿真闭环验证

SmolVLA 的 LIBERO 闭环验证应优先使用 LeRobot official env wrapper，并在同一 observation 上同时计算 official policy action 和 SDK action。这样可以排除裸 OffScreenRenderEnv 的 reset、camera flip、settle step 和 action queue 差异。

python examples/compare_libero_sim_actions.py \
  --model lerobot/smolvla_libero \
  --benchmark libero_spatial \
  --task-id 0 \
  --max-steps 280 \
  --device cuda:0 \
  --execute sdk \
  --sdk-selection fifo \
  --save-video

该脚本会保存 action_comparison.csv、summary.json 和 rollout_render.mp4。SDK step() 和 SmolVLA official eval 都使用 FIFO chunk queue；不要用 wall-clock timestamp queue 判断 LIBERO 仿真正确性。

常见问题

PI0 / PI0.5 曲线明显不对

建议先用同步 raw 路径确认模型本身：

python examples/validate_dataset_inference.py \
  --model /path/to/pi0_checkpoint \
  --model-type pi0 \
  --dataset /path/to/lerobot_dataset \
  --episode 0 \
  --instruction "pick and place" \
  --execution-mode raw

• 如果 raw 也不对，优先检查 checkpoint、config.json、processor stats、模型类型和 instruction。
• 如果 raw 正常但 step 不对，再检查 n_action_steps、control_fps、ACT 时间集成或 RTC 配置。
• PI0 / PI0.5 的权重加载现在会严格校验 missing/unexpected keys；如果 checkpoint 没有干净加载，SDK 会直接报错，避免误用随机初始化权重。
• LeRobot 官方 PI checkpoint 会尽量保持和官方 processor 一致的 state/action 边界语义；legacy 导出格式继续使用 SDK stats 归一化。

离线环境加载 PI0 / PI0.5 tokenizer 失败

请先把 tokenizer 下载到本地，并通过环境变量指定：

export PI0_TOKENIZER_PATH=/path/to/local/paligemma-tokenizer
# PI0.5 也可使用专用环境变量
export PI05_TOKENIZER_PATH=/path/to/local/paligemma-tokenizer