机器拓扑 & 环境 & 协作模型

本文件记录各机器角色、连接方式、软件环境，以及我和你的协作方式。每次改动后更新。 [待补] = 需要你在对应机器上跑命令后回填。

⭐ 协作模型（先读这个）

角色	机器	谁操作
主家（开发+臂+推理）	② 3080 机（10GB · 本地 Ubuntu · 机器人旁）	你（本地终端）
训练专用	③ 3090 机（24GB · 远程 SSH）	你（SSH）
写字台（写代码/规划/文档）	① 本 Windows 机 `D:\robot\lerobot`	我（agent）
富余算力（非关键路径）	⑤ AWU408 双 Orin	暂不用
上机驱动板（P3/P4 起）	④ RPi 5	P3/P4 前你配

关键约束：我的沙箱无外网，够不到你任何一台 GPU 机。工作流：

我(①写字台)写代码/配置 ──你 push──▶ git 库 ──clone/pull──▶ ② 3080 & ③ 3090
你在 ②/③ 执行（本地终端 / SSH）──粘回完整输出──▶ 我诊断/迭代

git 仓库：https://git.hyonglin.top/ylhan/lerobot_learn.git（身份 ylhan ylhan@hyonglin.com；匿名可读 → GPU 机 clone 免密，push 才需认证）

约定：

我给自包含、复制即跑的脚本/命令块（尽量一次给全）。
代码/配置走 git 库（你 push，两机 pull）；数据集/模型走 HF Hub（hf-mirror）或局域网 rsync（两机互通，大文件直传更快）。
两台 GPU 机目录统一 ~/robot/：本仓库 + lerobot clone + .venv。

拓扑总览

┌──────────────────────┐  push   ┌───────┐ clone/pull ┌─────────────────────────┐
│ ① Windows 写字台       │ ──────▶ │ git 库 │ ──────────▶ │ ② 3080 主家 (10GB)        │
│   D:\robot\lerobot    │         └───────┘   ⟨同一库⟩  │   本地 Ubuntu · 机器人旁   │
│   我写代码/文档/规划     │                    ┌────────┴─────────────────────────┐
└──────────────────────┘                    │ ③ 3090 训练 (24GB) · 远程 SSH      │
                                            └───────────────────────────────────┘
     ② ↔ ③ 同一局域网：rsync 直传数据集/模型；π0 推理紧张时 3090 可代推

② 3080 主家（推理芯，挨着机器人 = 低延迟）:
   开发 · 臂 USB 直连 · 遥操 · 采数 · 推理部署 · P4 policy server
③ 3090 训练（训练芯）:
   只跑 lerobot-train：ACT / SmolVLA 全量 / π0-FAST LoRA
数据流: 采数@② → HF Hub(或 rsync) → 训练@③ → 模型 → 推理@②

为什么这样拆：训练吃显存（参数+梯度+优化器+激活 ≈ 推理的 4~8 倍），推理不吃。

3090 24GB：SmolVLA 全量微调 / π0-FAST LoRA —— 只有它干得动。
3080 10GB：ACT(<1GB) / SmolVLA fp16(~2GB) 推理绰绰有余；遥操/采数几乎不占 GPU。

② 3080 机（主家 · 10GB · 本地 Ubuntu · 机器人旁）

项	值
位置	机器人/工作台旁（SO-101 臂 USB 直插它）
主机名 / IP	`[待补]`
Ubuntu 版本	`[待补]`（建议 22.04）
GPU	3080（10GB） —— 开发 + 推理
驱动 / CUDA	`[待补]`（setup 脚本会打印）
Python	3.12（venv，脚本自建）
LeRobot	`[待补]`（预期 0.6.x）
HF 账号	`huggingface-cli login`（HF_ENDPOINT=hf-mirror）
目录	`~/robot/`（本仓库 + lerobot + .venv）

跑什么：日常开发、lerobot-teleoperate / lerobot-record（臂插这）、lerobot-eval|rollout（推理部署）、P4 的 policy server。 显存预算：ACT <1GB ✅ / SmolVLA fp16 ~2GB ✅ / π0-FAST ~7GB ⚠️（fallback 见文末）。

③ 3090 机（训练专用 · 24GB · 远程 SSH）

项	值
访问	SSH（远程，与 ② 同局域网互通）
主机名 / IP	`[待补]`
Ubuntu 版本	`[待补]`
GPU	3090（24GB） —— 只管训练
Python / LeRobot	与 ② 同一 setup 脚本
目录	`~/robot/`（同一 git 库）

跑什么：只跑 lerobot-train（拉数据集 → 训 → 推模型回 Hub）。 兜底角色：π0-FAST 推理在 ② 放不下时代推（同局域网+异步分块，多一跳延迟可接受）；② 忙时也可顶 ACT / SmolVLA-LoRA 训练。

两机传大文件（同局域网，比 HF Hub 快）

# ② → ③ 推数据集
rsync -avzP ~/robot/data/  <user>@<3090-ip>:~/robot/data/
# ③ → ② 拉训练好的模型
rsync -avzP <user>@<3090-ip>:~/robot/outputs/train/<exp>/  ~/robot/models/<exp>/

① 本 Windows 机（`D:\robot\lerobot` · 我的写字台）

项	值
角色	写代码 / 规划 / 文档；不跑 LeRobot
Python	3.14（LR 要 3.12；本机只编辑）
git	2.51.0 ✅
外网	❌ 沙箱无外网
同步	你从本机 push 到 git 库 → ② ③ pull

④ RPi 5（上机驱动板 · P3/P4 起）

项	值
OS	Raspberry Pi OS 64-bit
连接	USB（有源 Hub）：2 臂 + 3 轮 + 3 相机；以太网 → ② 3080（policy server 在它上面）
软件	LeRobot `.[feetech,lekiwi,dataset]` + thin client（推图/收 chunk/执行/fail-safe）
静态 IP	`[待补]`

⑤ AWU408（富余算力，非关键路径）

双 DRIVE Orin（508 TOPS）+ Aurix TC397。默认不用。
用途：3090 忙训练时顶推理 / 固定台。
待验证：能否刷 Ubuntu+CUDA+PyTorch（常出厂 QNX/DRIVE OS）；跑不通就不管它。

国内网络 / 镜像（两台 GPU 机通用，setup 脚本自动处理）

用途	直连不可达时的镜像
pip	`https://pypi.tuna.tsinghua.edu.cn/simple`（或 Aliyun）
HF dataset/weights	`HF_ENDPOINT=https://hf-mirror.com`
git clone lerobot	`https://ghproxy.com/https://github.com/huggingface/lerobot.git`

π0-FAST 推理在 3080(10GB) 放不下时的 fallback（P5 才需要）

4-bit 量化（权重 6.6GB → ~2GB，立刻宽裕）
batch=1 + bf16 硬试（~8-9GB，可能刚好）
3090 代推：policy server 起在 ③，② 只做遥操/采数（同局域网，异步分块下延迟可接受）

6.5 KiB Raw Blame History Unescape Escape