EulerAtlas

Framework Unificado de Aprendizaje de Comportamiento Robotico en 8 Dominios

Un framework de aprendizaje por imitacion (Imitation Learning) basado en CLI que aprende politicas a partir de demostraciones de expertos y las evalua en simulacion. 4 dominios clasicos (automovil, dron, humanoide, perro robot) y 4 dominios industriales (manipulacion movil, AGV de almacen, robot agricola, grua de astillero) — 8 dominios en total se inicializan, entrenan y simulan con 3 comandos sobre un esquema unificado obs/action. 11 grupos de comandos (incluido edge deploy), arquitectura extensible mediante Domain Plugin.

Open Source

Funcionalidades Principales

8 dominios, 5 modelos de politicas, flujo de trabajo controlado por nivel de complejidad

Dominios Clasicos (01–04)

Internal Schema Boundary — todos los modulos se comunican de forma consistente a traves de un esquema con dimensiones fijas por dominio.

Automovil (road)	Estado 4D + Accion 2D — Integracion CARLA, adaptador nuScenes
Dron (aerial)	Estado 6D + Accion 3D — Esqueleto AirSim
Humanoide	Estado 12D + Accion 6D — Integracion MuJoCo Humanoid-v5
Perro Robot (quadruped)	Estado 12D + Accion 8D — Integracion MuJoCo Ant-v5

Dominios Industriales (05–08)

Fabrica, logistica, agricultura, astillero — cada dominio incluye un simulador Mock dedicado y adaptadores de datos.

Manipulacion Movil	Estado 18D + Accion 8D — Modelo recomendado: ACT
AGV de Almacen (warehouse)	Estado 14D + Accion 4D — Modelo recomendado: BC-RNN
Robot Agricola (smart farm)	Estado 16D + Accion 6D — Modelo recomendado: Diffusion
Grua de Astillero (shipyard)	Estado 20D + Accion 9D — Modelo recomendado: ACT

Modelos de Politicas (5 tipos)

BC-MLP	Clonacion de comportamiento basica (aprendizaje mas rapido)
BC-RNN	Clonacion de comportamiento con series temporales
BC-CNN	Clonacion de comportamiento basada en vision
ACT	Action Chunking Transformer (SOTA en manipulacion)
Diffusion Policy	Politica basada en modelo de difusion (DDPM)

Niveles de Complejidad (L0–L2)

L0 (Toy)	Simulador Mock + BC-MLP — para tutoriales/CI
L1 (Intermediate)	Modelo recomendado por dominio + Mock — investigacion de algoritmos
L2 (Advanced)	Backend real (CARLA/MuJoCo/Isaac Lab) + modelo SOTA

Pipeline de Datos & Simulacion

Pipeline completo desde la generacion de datos sinteticos hasta el rollout en simulacion

Pipeline de Datos

Flujo de trabajo de datos completo por CLI: generacion de datos sinteticos, recopilacion de datos externos, aumento y edicion.

Pull: Generacion/recopilacion de datos de demostracion de expertos sinteticos o reales.
Ingest: Conversion de JSONL/CSV al formato interno.
Augment: Aumento de datos con ruido, reflejo, jitter temporal, etc.
Edit: Verificacion de estadisticas, filtrado, fusion, division.

Simulacion & Evaluacion

Ejecute las politicas aprendidas en simulacion y calcule metricas de evaluacion automaticamente.

Simulador Mock: Ejecucion inmediata con simuladores integrados dedicados para 8 dominios (sin dependencias).
Backends Reales: CARLA (automovil), MuJoCo (robot), AirSim/Isaac Lab (esqueleto).
Simulacion Paralela: Ejecucion simultanea de N instancias con ParallelSimManager.
Suite de Escenarios: Construccion de escenarios de casos extremos e informes pass/fail.

Referencia CLI

11 grupos de comandos (incluido edge deploy) para todo el flujo de trabajo

`init`

Genera automaticamente la configuracion YAML a partir del rol/nivel.

`train`

Entrena politicas BC. Soporta reanudacion, GPU, checkpoints y seguimiento de proyectos.

`sim`

rollout/replay — Ejecuta y evalua politicas en simulacion.

`data`

pull, ingest, augment, edit — Gestiona el pipeline de datos.

`model`

export/load — Gestiona tarjetas de modelo (SafeTensors + config.json).

`skill`

Consulta de habilidades integradas, inicializacion y transferencia entre dominios.

`deploy`

Despliega politicas con MessageBridge (mock/ROS2/ZeroMQ).

`scenario`

Construccion de escenarios de casos extremos y ejecucion de suites.

`edge`

Despliegue en borde — cuantizacion de modelos, empaquetado y push al dispositivo.

`validate`

Validacion de archivos de configuracion YAML (50+ reglas).

Arquitectura

Pila de abstraccion de 4 capas que separa roles, configuracion, aprendizaje y evaluacion

Pila de 4 Capas

Capa 4	Skill/Meta-Agent — Recomendaciones basadas en roles/misiones
Capa 3	Config/Validator — Manifiesto YAML + 50+ reglas de validacion
Capa 2	Data/Model/Training — Pipeline, redes de politicas, BCTrainer
Capa 1	Sim/Eval/Backend — Simulador, evaluacion, trayectorias

Especificaciones Tecnicas

Lenguaje	Python 3.12+
Framework	PyTorch, Gymnasium
Simuladores	Mock (integrado), CARLA, MuJoCo
Registro	W&B, MLflow (opcional)
Formato de Modelo	SafeTensors + config.json
Formato de Errores	Formato de 3 lineas (Category / Fix / See)

Tutoriales

Aprenda EulerAtlas rapidamente con guias paso a paso

Tutoriales proximamente.

Instalacion y Primeros Pasos

Instale EulerAtlas y entrene su primera politica

Instalacion

pip install -e ".[dev]"

# Comience con 3 comandos
euleratlas init --role road --level 0
euleratlas train -c config.yml
euleratlas sim rollout -c config.yml

Requisitos

Python 3.12+, PyTorch

MuJoCo, W&B (opcional)

GitHub

eulerwa/euleratlas