Π环境部署（运行且无理论讲解）

环境需求

本实验环境

因为我是新手所以直接采用gputop

gpttop(需要付费的平台）

gpulab平台是国内唯一支持可视化仿真的带显卡 Ubuntu 服务器，连接体验类似远程桌面，适合新手。⁠‌‬⁠‍⁠‍‍‍‍⁠⁠‍‌‌‍⁠‍⁠‌⁠云电脑充值指引（付款后若没复制到配额key 可联系群主后台获取） - 飞书云文档
在https://youlika.gpublab.top/ 上本教程docker 叫"Ubuntu22.04-pi0.5-libero-v1"，
如果想重新手动部署一次，选"ubuntu22.04-desktop"即可。具体看：n0.5 n0 容器镜像环境使用指引（自己购买）

配置说明

我选的都是比较高配的，怕麻烦

实验架构和SSH连接

本实验室中，我们采用 CS 架构，C 表示 client（客户端，可以是你的本地电脑），S 表示 Service（服务端，可以是你租的云服务器）。两端采用 http协议通信，通信过程类似人打开浏览器，所以我们在服务端上会打开 web api。

客户端是机器人。机器人身上的传感器，如视觉传感器、力觉传感器、麦克风会接收外部的信息，这些信息通过 http 协议上传到服务端（Service）。

服务端部署了Π系列模型，并以 web 接口的方式接收客户端的请求。服务端会将请求输入给n系列模型以获得客户端（机器人）的动作序列输出。客户端（机器人）执行服务端返回的动作序列时，客户端上的传感器会继续捕捉到新的多模态信息，并持续上传，以预测新的动作序列。

ssh 连接

直接让ai提示你就行，左侧看到文件夹

简便方法

服务端安装UV管理工具

其实如果用gputop他直接会配置好

下载代码

bash 复制代码

git clone --recurse-submodules git@github.com:Physical-Intelligence/openpi.git
# 制作本教程时的index可以用下面这个命令切换（一般不需要）
# git reset --hard 2b1f3779ec2e3ddb56fd1425944e5b3d084c28ea

可能存在的问题

然后他提的问题直接点enter回车就可以。

文件内容

bash 复制代码

ssh-ed25519 AAAAC3NzaC1lZDI1NTE5AAAAIIQoP8o9zUUEaV854HBAckFkAZwzgLwiPkoUMQ8oXQZL  13945395838@163.com

重新执行你的指令

安装环境

python 复制代码

conda create -n uv_envs python=3.10
conda activate uv_envs
pip install uv

安装项目依赖包

python 复制代码

cd openpi/  # 需要该目录下的: pyproject.toml
GIT_LFS_SKIP_SMUDGE=1 uv sync # 根据pyproject.toml下载依赖包

启动模型服务（Server 端）

在项目目录下执行下面这个命令去激活虚拟环境。

bash 复制代码

source ./.venv/bin/activate # 激活uv的 Python 环境

上面的命令的效果是将 Python 环境替换为 venv 中的。如下图所示：在激活环境变量后，python的路径变了。

下载并启动模型服务（参数"--env"会决定使用哪个模型！）

bash 复制代码

uv run scripts/serve_policy.py --env LIBERO # 启动服务端监听

参数含义说明

--env：用于指定要下载的权重文件。
可选值："ALOHA"、"ALOHA_SIM"、"DROID"、"LIBERO"。
示例逻辑：文档中提到一个特殊的对应关系------如果要使用 pi0_aloha_sim 这个模型，需要使用参数 --env DROID（这看起来可能是一个文档中的特殊映射或笔误，建议实际运行时核对代码）。
代码参考：具体定义可查看 serve_policy.py 的 EnvMode 类。权重文件路径说明默认下载路径：~/.cache/openpi/openpi-assets/checkpoints/。路径示例：当 env 的参数为 ALOHA 时，实际加载的模型路径是：~/.cache/openpi/openpi-assets/checkpoints/pi05_base/。

python 复制代码

DEFAULT_CHECKPOINT: dict[EnvMode, Checkpoint] = {
    # ALOHA 实机环境默认检查点
    EnvMode.ALOHA: Checkpoint(
        config="pi05_aloha",
        dir="gs://openpi-assets/checkpoints/pi05_base",
    ),
    # ALOHA 仿真环境默认检查点
    EnvMode.ALOHA_SIM: Checkpoint(
        config="pi0_aloha_sim",
        dir="gs://openpi-assets/checkpoints/pi0_aloha_sim",
    ),
    # DROID 环境默认检查点
    EnvMode.DROID: Checkpoint(
        config="pi05_droid",
        dir="gs://openpi-assets/checkpoints/pi05_droid",
    ),
    # LIBERO 环境默认检查点
    EnvMode.LIBERO: Checkpoint(
        config="pi05_libero",
        dir="gs://openpi-assets/checkpoints/pi05_libero",
    ),
}

运行成功截图

客户端部署环境

前置说明

如果你的服务端和客户端不在同一个服务器上，那么在客户端上需要重复做一遍源码下载和uv环境安装的动作，具体如下：

下载Π的源码

bash 复制代码

git clone --recurse-submodules git@github.com:Physical-Intelligence/openpi.git
# 制作本教程时的index可以用下面这个命令切换（一般不需要）
# git reset --hard 2b1f3779ec2e3ddb56fd1425944e5b3d084c28ea

安装uv工具：

创建一个临时的境uv_envs来安装包管理工具uv

代码块内容：

bash 复制代码

conda create -n uv_envs python=3.10
conda activate uv_envs
pip install uv

创建虚拟环境

新建一个终端，然后用 uv 创建一个新的虚拟环境用于安装客户端。

bash 复制代码

cd openpi
uv venv --python 3.8 examples/libero/.venv

该命令使用了 uv 工具来创建一个 Python 虚拟环境 (venv)，并指定了 Python 版本和虚拟环境的路径。具体解释如下：

venv ：这是 uv 工具的一个子命令，表示要创建一个虚拟环境。
--python 3.8：这个选项指定了要使用的 Python 版本为 3.8。虚拟环境将使用 Python 3.8 解释器。
examples/libero/.venv：这是虚拟环境的创建路径。

激活uv虚拟环境

bash 复制代码

source examples/libero/.venv/bin/activate

用户输入命令后，命令行提示符前出现了 (uv_envs) 或类似的环境标识（图中显示为 .venv）。
使用 which python 命令验证路径，输出显示 Python 解释器指向了虚拟环境目录：/mnt/home/youzeshun/code/github/openpi/examples/libero/.venv/bin/python，说明激活成功。

安装项目依赖包

bash 复制代码

uv pip sync examples/libero/requirements.txt third_party/libero/requirements.txt --extra-index-url https://download.pytorch.org/whl/cu113 --index-strategy=unsafe-best-match

注意：

这个步骤必须开dai ' li，如果不会请参考回卡哥配置视频
选择和你的系统匹配的cuda版本，替换上面的cu113.

参数说明：

uv：命令的主程序，相当于 pip 的替代品。
pip sync：作用是将当前虚拟环境中的依赖同步为与你提供的 requirements 文件完全一致，多余的包会被卸载，缺少的包会被安装（类似 pip-sync 的行为，而不是简单地 install）。
uv pip sync 支持一次传入多个 requirements 文件。它会将这两个文件中的依赖合并后统一解析和安装，目标是让当前环境和这两个文件描述的依赖严格对齐。
--extra-index-url https://download.pytorch.org/whl/cu113 这个参数指定了额外的 PyPI 源地址：https://download.pytorch.org/whl/cu113 是 PyTorch 官方提供的 CUDA 11.3 版本的预编译轮子（whl 文件）源。

记住是以太网而不是WIFI,检测方法如下图

安装成功

配置访问 libero 的环境变量，注意，执行下面的命令时，要确保当前目录下有文件 "third_party/libero"。因为命令 " $ PWD" 表示的是当前路径。如果这里配置错误，会导致后面执行 python 程序的时候出现找不到库 "libero"。

bash 复制代码

export PYTHONPATH=$PYTHONPATH:$PWD/third_party/libero

启动客户端（推理）

（同一）

bash 复制代码

python examples/libero/main.py

（不同一）

客户端

如果你采用 CS架构，且服务端和客户端不在同一个服务器上，应该使用以下命令：

bash 复制代码

python examples/libero/main.py --host {你的服务器IP地址} --port 8000

bash 复制代码

python examples/libero/main.py --host 117.50.213.227 --port 8000

服务端

上面的8000是服务端开放的默认端口号，这个端口在部分云厂商的服务器中并不默认对外开放，例如阿里云。如果你的客户端连接不上，需要先用端口扫描工具检测能否从客户端连接服务端的8000端口。对于gpshare，采用的方案则是端口转发，你实际运行的命令可能长这样：

bash 复制代码

uv run scripts/serve_policy.py --env LIBERO --port 8000 # 该服务器开放8000端口

bash 复制代码

# --args.host {外部域名}
# --args.port {外部端口}，这里的端口参数可能不是上面的 8000，因为10000以下的端口为常用端口，会被云服务器官方预留用于其他用途。注意：是否是下面的"59298"得看云服务器官网。
python examples/libero/main.py --args.host i-2.gpushare.com --args.port 59298

使用方法2可能存在的问题

EGL 渲染上下文初始化失败！这是因为服务器没有图形界面（无头服务器），需要设置特殊的环境变量。

解决方法：客户端

bash 复制代码

# 在你的电脑上执行（设置环境变量后运行）
export MUJOCO_GL=egl
export EGL_DEVICE_ID=0
python examples/libero/main.py --args.host 117.50.213.227 --args.port 8000

如果还不行

bash 复制代码

# 设置 MuJoCo 使用 osmesa 软件渲染（不需要 GPU）
export MUJOCO_GL=osmesa

# 运行客户端
python examples/libero/main.py --args.host 117.50.213.227 --args.port 8000

如果还不行，交给ai老师

运行截图

切换套件

套件 = 一组特定的机器人任务集合

不同套件包含不同类型的任务，用于测试模型在不同场景下的性能。简单说，切换套件就是换一批不同类型的任务来测试模型。

如何切换套件

bash 复制代码

# 使用 libero_goal 套件
python examples/libero/main.py --args.task_suite_name libero_goal

# 使用 libero_90 套件
python examples/libero/main.py --args.task_suite_name libero_90

Π环境部署（运行 且 无理论讲解）

环境需求

本实验环境

gpttop(需要付费的平台）

配置说明

实验架构和SSH连接

ssh 连接

简便方法

服务端安装UV管理工具

下载代码

可能存在的问题

安装环境

安装项目依赖包

启动模型服务（Server 端）

下载并启动模型服务（参数"--env"会决定使用哪个模型！）

运行成功截图

客户端 部署环境

前置说明

下载Π的源码

安装uv工具：

创建虚拟环境

激活uv虚拟环境

安装项目依赖包

安装成功

启动客户端（推理）

（同一）

（不同一）

客户端

服务端

使用方法2可能存在的问题

运行截图

切换套件

Π环境部署（运行且无理论讲解）

客户端部署环境