机器人多了不好管？清华联合无问芯穹开源了一座具身智能「塔台」

据官方消息，清华大学与无问芯穹共同打造并开源了面向具身智能的云原生纳管平台 RLark。它要解决的问题很朴素：当机器人从"单机"变成"机群"，怎么把它们、云端算力和各种程序统一组织起来，让它们围绕同一件事协同干活。

为什么需要一座「塔台」

一次具身任务，本质上是多个角色的配合：现场的机器人和相机、云端的算力、训练与推理程序，还有连接它们的通信环境。

机器人少的时候还好办，可一旦设备多起来，麻烦就成倍放大——设备要一台台接入，任务要分别部署，云端和现场要反复配网络，哪个环节出问题还得挨个排查。业内人士常用机场打比方：飞机能有序起降，靠的不只是飞机自己，还有塔台的统一协调。RLark 想做的，就是具身智能的这座"塔台"。

它到底做了什么

据官方介绍，RLark 的核心是两项自研技术：具身设备运行时和任务级跨集群网络互联。

前者通过统一的硬件抽象，把机器人、相机这些真实设备变成系统里"可申请、可调度"的资源——就像申请一块 GPU 那样。后者则把分布在不同地方的执行单元用虚拟地址加安全隧道连起来，让云端和现场围绕同一项任务通信。

落到操作上也很直接：运维人员一行命令就能接入并统一管理设备；研究人员写一份任务配置，就能把训练、推理和真机交互程序部署到不同集群。

实测数据

据官方公布的测试结果，RLark 目前已完成 3 个集群、近百个云边端节点的统一纳管，覆盖 4 种型号的具身设备：

• 设备纳管：从传统的 1 小时缩短到约 5 分钟
• 任务启动：提交后 10 秒内即可运行
• 跨地域真机实测中，在受限网络下大包单流吞吐比测试所用 VPN 方案提升约 49%，高带宽环境下接近 2 Gbps

团队还把 RLark 与强化学习框架 RLinf 结合，在广东云端 GPU 集群与北京机器人现场之间跑通了一次跨地域真机实验，连续运行约 36 分钟、推进到 323 个全局训练步骤，完整走通了"采集—训练—验证"闭环。

目前 RLark 已把从用户界面、API、后端服务到任务编排、跨集群互联和具身设备运行时的整套能力开源出来。对具身智能团队来说，这相当于把"搭实验环境"这件苦差事标准化了，能把精力更多放在算法和场景本身。

来源：量子位《5分钟完成机器人纳管、10秒启动跨集群任务，清华大学联合无问芯穹开源具身智能云原生平台RLark》

原文链接：https://www.qbitai.com/2026/09/496767.html