鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

AGIROS开源社区江大勇:同步产业加速发展 打造最具活力的智能机器人操作系统开源社区

编程导航
编程导航
2025-12-11 12:30
阅读 292
编程导航
2025-12-11 12:30
阅读 292

【TechWeb】随着智能机器人技术的快速发展,操作系统作为其软件基础,扮演着愈发重要的角色。而开源社区则成为推动智能机器人操作系统技术创新和产业落地的关键力量。如何构建产业统一的技术生态底座?如何同步产业发展快速构建?是巨大的挑战。

2024年6月,中科院软件研究所发起成立智能机器人操作系统(AGIROS)开源社区,按下“加速键”。这一年多以来,AGIROS开源社区伙伴已发展到120家,覆盖产学研用全链条,累计集成超过1800个软件包,代码总量达到1000万行,并且发布了多个社区和商业版本。

目前,AGIROS已基本完成社区基础建设,其核心优势与发展规划是什么?在推动开源生态体系建设中,AGIROS社区如何定位自己?在2025 AGIROS开源社区生态大会上,AGIROS开源社区理事会主席江大勇向TechWeb讲述了社区建设成果,展望未来规划和发展方向。

AGIROS 25.12 LTS 首个长周期版本发布

很长一段时间,国内智能机器人行业多数使用的都是国外开源的ROS社区提供的ROS2操作系统。但由于该社区运营者、开发者大部分为海外机构,对中国开发者的响应较慢。而随着AI等技术的高速发展,ROS系统在性能、云边端协同、AI适配等方面也存在较大差距。加之产业界有建立平行社区的需求,在产业初期共建基础共性内容,避免重复造轮子。于是,中科院软件研究所发起成立AGIROS开源社区,同步产业发展,构建智能机器人操作系统新生态。

江大勇向TechWeb表示,“AGIROS社区自去年6月开始筹建,初期仅二三十家企业加入,目前共建单位已达120家,涵盖芯片、硬件、本体、操作系统、算法等企业及高校、科研单位,国内排名TOP的机器人厂商大多加入。”

按照社区规划,AGIROS每年发布一大一小两个社区版本,目前已经迭代4个社区开发版本。12月5日,在2025 AGIROS开源社区生态大会上,AGIROS 25.12 LTS长周期版本正式发布。“作为社区首个长周期版本,这标志着系统从开发验证转向企业级稳定可用。”江大勇说到。

据他介绍,25.12 LTS长周期版本最大亮点就是“更适配产业需求”。

首先是兼容性,南向适配全面,除了支持Ubuntu、openEuler主流开源操作系统之外,还支持麒麟信安、银河麒麟等商用操作系统版本;完成了人形、四足、无人车、机械臂等多种机器人本体的适配,同时还覆盖了多种算力芯片,包括X86、ARM、RISC-V等不同CPU架构的多种开发板。

北向持续拓展,逐渐支持更多AI框架,比如 Pytorch、PaddlePaddle、华为相关框架等。芯片支持也更广泛,覆盖Intel、鲲鹏、海光、平头哥等CPU、昇腾、英伟达等GPU,以及瑞芯微等NPU,既能匹配当前产业主流架构,也提前响应了RISC-V等新兴架构的发展趋势,为硬件选型提供了充分弹性。

然后是核心组件升级,大会上,仿真平台Alpha Platform、分布式通信组件TravoDDS等加固后发布正式版本,实现具身智能的训练和推理一体化平台,为具身智能基础开发提供支撑服务。

此外,长周期版本对DDS等核心模块重构,性能高于开源的FastDDS 20%。

“目前AGIROS集成的软件包数量超过1800个,已经覆盖ROS Humble版本80%的核心包与生态包。”江大勇表示,这意味着,基于ROS生态沉淀的开发成果,能无缝迁移到AGIROS平台,大幅降低开发者的适配成本,这为开发者和企业提供了良好的迁移与适配基础。

做好技术和商业闭环 让成员和用户受益

经过一年多的发展,AGIROS社区已经越过基本可用的门槛,但在整体运营中仍然面临不少挑战。

比如,国内机器人技术发展还在百花齐放的阶段,目前是商业化和开源生态齐头并进,机器人开发组件、运行组件等共性技术各自发展,软硬件生态中存在大量互不兼容的标准、协议和框架,开源也存在碎片化的问题。江大勇认为,基础软件底座、共性算法等能力均可以通过软件开源的方式统一共建,以加强机器人协同工作,提升效率。

据了解,AGIROS社区作为中国科学院发起的开源社区,是公益性组织,当前以中国科学院软件研究所和共建单位投入、部分企业赞助为主。但要维持社区运营活动,这些可能还不够,如何通过商业化做闭环成为绕不开的一环。

江大勇透露,针对目前社区发行版,已有合作伙伴发行商业发行版,未来希望能够通过提供商业化技术支持服务、部分高阶特性定向开源等多种方式实现商业闭环。社区的基础设施运行和维护需要持续投入,但随着社区的规模增大,未来也希望能够获得更多企业或者其他组织机构的持续支持。

在2025 AGIROS开源社区生态大会上,润和软件、麒麟信安、鼎桥技术、中科重德四家企业正式发布基于AGIROS的商业发行版,覆盖智慧城市、能源巡检、行业终端、工业制造等重点行业。

“AGIROS已经基本完成集成演进的阶段性目标,下一步要贴合产业和场景需求持续演进,保持一年两个版本的节奏,做好技术与商业闭环,形成良性循环,让成员和用户受益。”江大勇表示。

开源聚智 推进机器人产业生态建设

今年以来,智能机器人产业加速发展,尤其是人形机器人刷足了存在感。马拉松、拳击赛、T台走秀、工业作业……机器人能干的事情越来越多了。江大勇认为,“目前机器人发展迅速,但离真正成熟还有一定距离,缺数据依然是个大问题,尤其是缺少高质量的训练数据。”

据介绍,机器人所需“数据燃料”主要有仿真数据、基于人类视频的数据以及真机采集数据。

在江大勇看来,目前各个厂商和机构的数据集存在一定价值,但缺乏统一的管理与标准。他建议,可以统一以目录形式进行整合梳理,开源平台按照开源协议进行引用和导引,国家也可以建立公用数据集市或数据市场,便于统一管理。

社区因场地、设备和算力限制,主要做仿真数据集。AGIROS社区的仿真数据集也将在今年底开源,最新发布的Alpha Platform V1.1.0仿真平台已经扩展支持到200多仿真场景,40多类机器人模型和训练,还有10类模型库框架。

中国工程院院士倪光南指出,中国机器人产业发展的关键是提升机器人智能等级。机器人的控制需要从过去“机器人操作系统”,发展到“机器人智能系统”。AGIROS开源社区有助于机器人产业生态建设,借助开源的力量,AGIROS将极大增强AI+机器人的“脑、眼、行动”协同系统的竞争力。

据江大勇介绍,2026年,AGIROS的新版本将进一步聚焦算法生态与应用市场的拓展,扩大本体适配能力,持续深化与产业链伙伴的协同,建设更加繁荣的生态体系,践行成为智能机器人操作系统最具活力的开源社区的愿景。

他相信,在开源的旗帜下,将有越来越多的开发者、科研院所与企业力量不断汇聚,让智能机器人操作系统从实验室走向各行各业的应用场景,加速世界机器人产业发展。

 

原文链接: AGIROS开源社区江大勇:同步产业加速发展 打造最具活力的智能机器人操作系统开源社区
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230