相同模型、相同任务在不同硬件平台上的推理性能表现
从算法到实机的完整技术栈
本系统构建了一套完整的具身智能解决方案,跨多个底层硬件,可承载多类机械臂和本体,向上支持多例具身智能模型。 基于昇腾 310P 边缘计算芯片,通过 CANN 深度学习框架和 ATC 模型转换工具链, 实现了多种视觉-语言-动作(VLA)模型的高效部署。
系统支持从 PyTorch 动态图到昇腾静态图的自动转换,解决了 Autoregressive 和 Diffusion 模型在昇腾端侧平台上的部署难题。 通过算子重排、内存优化和混合精度等技术,在保证精度的同时实现了毫秒级推理延迟, 为机器人实时控制提供了可靠的国产算力底座。
昇腾 310P vs. NVIDIA Orin vs. RTX 4090 在Jaka机械臂上运行π₀的实测对比
相同模型、相同任务在不同硬件平台上的推理性能表现
控制Franka机械臂完成多类型任务,展示精准操控能力
任务 1 桌面清理(方块)
任务 2 折叠毛巾
任务 3 桌面整理(多物品)
任务 4 干扰场景
多任务测试成功率,展现精细化能力
跨多模型、多环境仿真任务适配
昇腾310p下 π₀.₅ libero-object任务
昇腾310p下 π₀.₅ libero-goal任务
昇腾310p下 π₀.₅ libero-10任务
昇腾310p下 π₀.₅ libero-spatial任务
昇腾310p下 π₀ Aloha-Transcube任务
昇腾310p下 Diffusion-policy Pusht任务
昇腾310p下 RDT 推方块任务
昇腾310p下 OpenVLA LIBERO演示
← 左右拖动或点击箭头切换 →
WAIC 2025参展
人形机器人与观众自拍合影
网红大厨:蓑衣黄瓜切割
从实验室到工业场景的实践验证
基于昇腾 310P 的端侧推理方案已成功部署在真实工业环境中,实现车间气阀加工等复杂操作任务。系统在保证高精度的同时,展现出媲美熟练工的优异稳定性和实时性。
实验室已打通的适配链路