EulerAtlas

8ドメインロボット行動学習統合フレームワーク

専門家のデモンストレーションからポリシーを学習し、シミュレーションで評価するCLIベースの模倣学習（Imitation Learning）フレームワークです。自動車、ドローン、ヒューマノイド、ロボット犬のクラシック4ドメインと、モバイルマニピュレーション、倉庫AGV、スマートファーム農業ロボット、造船所クレーンの産業4ドメイン — 計8ドメインを統合obs/actionスキーマ上で3行コマンドにより初期化、訓練、シミュレーションします。11コマンドグループ（edgeデプロイ含む）、Domain Pluginによる拡張アーキテクチャ。

Open Source

コア機能

8ドメイン、5つのポリシーモデル、複雑度レベルで制御される統合ワークフロー

クラシックドメイン (01–04)

Internal Schema Boundary — ドメイン別固定次元スキーマで全モジュールが一貫して通信します。

自動車 (road)	4D状態 + 2D行動 — CARLA連携、nuScenesアダプター
ドローン (aerial)	6D状態 + 3D行動 — AirSimスケルトン
ヒューマノイド	12D状態 + 6D行動 — MuJoCo Humanoid-v5連携
ロボット犬 (quadruped)	12D状態 + 8D行動 — MuJoCo Ant-v5連携

産業ドメイン (05–08)

工場、物流、農業、造船 — 各ドメイン専用Mockシミュレータとデータアダプターを含みます。

モバイルマニピュレーション	18D状態 + 8D行動 — 推奨モデル: ACT
倉庫AGV (warehouse)	14D状態 + 4D行動 — 推奨モデル: BC-RNN
スマートファーム農業ロボット	16D状態 + 6D行動 — 推奨モデル: Diffusion
造船所クレーン (shipyard)	20D状態 + 9D行動 — 推奨モデル: ACT

ポリシーモデル (5種)

BC-MLP	基本行動クローニング (最速の学習)
BC-RNN	時系列行動クローニング
BC-CNN	ビジョンベース行動クローニング
ACT	Action Chunking Transformer (マニピュレーションSOTA)
Diffusion Policy	拡散モデルベースポリシー (DDPM)

複雑度レベル (L0–L2)

L0 (Toy)	Mockシミュレータ + BC-MLP — チュートリアル/CI用
L1 (Intermediate)	ドメイン推奨モデル + Mock — アルゴリズム研究
L2 (Advanced)	実バックエンド (CARLA/MuJoCo/Isaac Lab) + SOTAモデル

データパイプライン & シミュレーション

合成データ生成からシミュレーションロールアウトまでの完全なパイプライン

データパイプライン

合成データ生成、外部データ収集、データ拡張、編集まで完全なデータワークフローをCLIで実行します。

Pull: 合成または実際の専門家デモンストレーションデータの生成/収集。
Ingest: JSONL/CSVを内部フォーマットに変換。
Augment: ノイズ、ミラーリング、時間ジッタなどのデータ拡張。
Edit: 統計確認、フィルタリング、マージ、分割。

シミュレーション & 評価

学習済みポリシーをシミュレーションで実行し、自動的に評価指標を算出します。

Mockシミュレータ: 8ドメイン専用内蔵シミュレータで即座に実行（依存なし）。
実バックエンド: CARLA (自動車)、MuJoCo (ロボット)、AirSim/Isaac Lab (スケルトン)。
並列シミュレーション: ParallelSimManagerでN個のインスタンスを同時実行。
シナリオスイート: コーナーケースシナリオのビルドとpass/failレポート。

CLIリファレンス

11個のコマンドグループ（edgeデプロイ含む）でワークフロー全体を実行します

`init`

ロール/レベルからYAML設定を自動生成します。

`train`

BCポリシーを訓練します。再開、GPU、チェックポイント、プロジェクト追跡をサポート。

`sim`

rollout/replay — ポリシーをシミュレーションで実行し評価します。

`data`

pull, ingest, augment, edit — データパイプラインを実行します。

`model`

export/load — モデルカード (SafeTensors + config.json) を管理します。

`skill`

内蔵スキルの照会、初期化、クロスドメイン転移を実行します。

`deploy`

MessageBridge (mock/ROS2/ZeroMQ) でポリシーをデプロイします。

`scenario`

コーナーケースシナリオのビルドとスイート実行。

`edge`

エッジデプロイ——モデル量子化、パッケージング、デバイスプッシュ。

`validate`

YAML設定ファイルの検証 (50+ルール)。

アーキテクチャ

4層抽象化スタックでロール、設定、学習、評価を分離します

4層スタック

Layer 4	Skill/Meta-Agent — ロール/ミッションベースの推薦
Layer 3	Config/Validator — YAMLマニフェスト + 50+検証ルール
Layer 2	Data/Model/Training — パイプライン、ポリシーネットワーク、BCTrainer
Layer 1	Sim/Eval/Backend — シミュレータ、評価、軌跡

技術仕様

言語	Python 3.12+
フレームワーク	PyTorch, Gymnasium
シミュレータ	Mock (内蔵)、CARLA、MuJoCo
ロギング	W&B, MLflow (オプション)
モデル形式	SafeTensors + config.json
エラー形式	3行フォーマット (Category / Fix / See)

チュートリアル

ステップバイステップのガイドでEulerAtlasをマスター

チュートリアルは近日公開予定です。

インストールと始め方

EulerAtlasをインストールして最初のポリシーを訓練

インストール

pip install -e ".[dev]"

# 3行で開始
euleratlas init --role road --level 0
euleratlas train -c config.yml
euleratlas sim rollout -c config.yml

要件

Python 3.12+, PyTorch

MuJoCo, W&B (オプション)

GitHub

eulerwa/euleratlas