ClearML与Dell联手自动化具身AI管道：PoC详解
2026/07/07 03:00阅读量 2
ClearML、Dell Technologies与Hugging Face的LeRobot框架合作，针对物理机器人（具身AI）的训练与部署流程进行了自动化概念验证。该PoC将原本需要手动遥操作、SSH登录、手动复制文件等繁琐步骤整合为一条自动化管道，仅保留数据生成环节为手动操作。通过ClearML控制平面实现任务调度、数据集版本管理、实验跟踪和自动部署，结合Dell的GPU计算与存储硬件，显著提升了机器人策略迭代的可复现性和效率。
事件概述
具身AI（实体机器人）模型的训练面临独特挑战：训练数据需通过遥操作逐步收集，模型的每次变更必须在真实硬件上验证，且从数据采集到部署的循环频繁重复。ClearML、Dell Technologies与Hugging Face的开源机器人框架LeRobot合作，对新加坡政府机构进行了一次概念验证，将这一高触控人工流程转变为自动化管道。
核心信息
- 技术堆栈：PoC结合了三层——LeRobot（机器人接口，连接SO-ARM101机械臂，记录遥操作演示并执行模型推理）、ClearML（AI基础设施控制平面，负责任务调度、自动日志、数据集版本追溯和管道编排）、Dell（提供PowerEdge服务器、Pro Max工作站及NVIDIA GPU用于训练与推理，以及PowerScale存储处理多TB级数据）。
- 自动化前后对比：手动流程中，工程师在遥操作生成数据后，需手动写入共享文件夹、SSH登录GPU服务器、复制脚本、挂载数据集和基模型、运行训练，再登录边缘设备部署模型。自动化后，工程师只需运行一条管道脚本，ClearML自动上传和版本化数据集，调度任务至Dell GPU节点，将微调模型写回共享存储，并触发边缘设备上的推理服务器部署并驱动机械臂。仅数据生成和初始写入保留为手动。
- 性能与可观测性：每次运行自动记录，可精确追踪每个模型的训练参数。PoC中，在NVIDIA L4 GPU上微调约80M参数的Action Chunking Transformer（ACT）策略耗时约8.5小时。ClearML的资源仪表盘显示了可用的GPU池（两台NVIDIA A2、两台NVIDIA L4）和使用状态，并支持非GPU步骤（如数据集上传）仅请求CPU资源。
- 扩展性：尽管PoC使用了紧凑策略，但数据集、训练框架和容器化工作流设计为可泛化至更大模型。完整架构和步骤详见官方白皮书。
值得关注
该PoC展示了具身AI中一个关键痛点——人工循环的自动化解决方案。通过将ClearML的编排能力与Dell的本地硬件及LeRobot的机器人接口结合，实验跟踪、资源管理和部署流程变得可复现且可审计，为机器人策略的持续迭代提供了基础设施层面的参考模式。