Repolode
Предложить
RLinf

RLinf/RPent

Открытый фреймворк для создания воплощённых агентов, которые используют LLM-планировщики, VLA-модели и память для выполнения задач манипуляции в симуляторах и на реальных роботах.

Открыть на GitHubСайт
Звёзды
1,538
Форки
134
Открытые issues
41
Последний коммит
позавчера

Что это?

RPent (Recursive Physical Agent) — фреймворк для создания агентов, управляющих физическими роботами. Вместо привязки системы к одной базовой модели он объединяет в одном агенте компоненты восприятия, рассуждения, памяти, выполнения действий и саморазвития. Агент взаимодействует с физическим миром и со временем адаптируется. Архитектура фреймворка ориентирована на сервисы, стандартизирована и состоит из взаимозаменяемых компонентов.

На практике планировщик, например Claude Code или Codex, определяет последовательность шагов, а vision-language-action (VLA)-модель, например Pi0.5, RLDX-1 или LingBot-VLA, выполняет низкоуровневые действия. Проект поддерживает симуляторы LIBERO-PRO, RoboCasa, RoboTwin и RoboDojo, а также включает расширения для реальных роботов Franka и dual-Franka. Пользователи могут запускать готовые задачи через CLI, следить за работой агента в интерактивном режиме или наблюдать за ним на локальной веб-панели.

RPent также предоставляет уровни памяти и режим исследования для оценки локальной памяти, а разработчики могут добавлять собственные планировщики. Установка выполняется через pip с дополнительными зависимостями для конкретной среды.

Ключевые возможности

  • 01Подключаемые планировщики, включая Claude Code, Codex и пользовательские планировщики.
  • 02Поддержка нескольких VLA-моделей, таких как Pi0.5, RLDX-1 и LingBot-VLA.
  • 03Запуск задач в симуляторах LIBERO-PRO, RoboCasa, RoboTwin и RoboDojo.
  • 04Расширения для реальных роботов Franka и dual-Franka.
  • 05Интерактивное управление через CLI и веб-панель с трансляцией в реальном времени.

Сценарии использования

  • Исследование длительных задач роботизированной манипуляции с агентами под управлением LLM.
  • Создание прототипов воплощённых агентов перед их развёртыванием на роботизированных манипуляторах Franka.
  • Изучение непрерывного обучения или обучения с подкреплением для саморазвивающихся физических агентов.
  • Сравнительное тестирование VLA-моделей на задачах LIBERO, RoboCasa и RoboTwin.

Темы

#embodied-ai#robotics#vla#agentic-ai#simulation#manipulation#python#embodied

Частые вопросы

Что такое RPent?
Открытый фреймворк для создания воплощённых агентов, которые используют LLM-планировщики, VLA-модели и память для выполнения задач манипуляции в симуляторах и на реальных роботах. RPent (Recursive Physical Agent) — фреймворк для создания агентов, управляющих физическими роботами. Вместо привязки системы к одной базовой модели он объединяет в одном агенте компоненты восприятия, рассуждения, памяти, выполнения действий и саморазвития. Агент взаимодействует с физическим миром и со временем адаптируется. Архитектура фреймворка ориентирована на сервисы, стандартизирована и состоит из взаимозаменяемых компонентов.
RPent можно использовать бесплатно? Какая у него лицензия?
RPent распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.
RPent всё ещё поддерживается?
Активно поддерживается. Последний коммит в RPent — 16 окт. 2026 г..
Для чего можно использовать RPent?
Исследование длительных задач роботизированной манипуляции с агентами под управлением LLM. Создание прототипов воплощённых агентов перед их развёртыванием на роботизированных манипуляторах Franka. Изучение непрерывного обучения или обучения с подкреплением для саморазвивающихся физических агентов. Сравнительное тестирование VLA-моделей на задачах LIBERO, RoboCasa и RoboTwin.
Где скачать RPent?
Исходный код и инструкции по установке — на GitHub: https://github.com/RLinf/RPent

Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.

Похожие проекты

Unity-Technologies / ml-agents

Инструментарий с открытым исходным кодом от Unity, который позволяет обучать AI-агентов с помощью обучения с подкреплением и имитационного обучения в игровых и симуляционных средах.

ИИ и машинное обучение#reinforcement-learning#imitation-learning#unity
19,8 тыс.4,5 тыс.C#OtherОбновлён 5 дней назад

anthropics / claude-quickstarts

Подборка стартовых проектов, которые показывают, как создавать готовые к развёртыванию приложения на Claude API: от агентов поддержки до агентов для работы с браузером и компьютером.

ИИ и машинное обучение#claude-api#ai-agents#llm
18,6 тыс.3,2 тыс.TypeScriptMITОбновлён 10 дней назад