机器人开发常面临环境配置复杂、真机调试困难的问题。开发者常因驱动版本不兼容、ROS节点通信异常等细节耗费数天，且在不同设备间重复踩坑，严重拖慢项目进度。
中山大学HCP实验室推出的PhyAgentOS开源操作系统，通过结构化设计将部署周期从数天缩短至数小时，彻底解决"调参地狱"痛点。
PhyAgentOS已全面开源，支持算法贡献与机器人适配。
GitHub仓库：https://github.com/SYSU-HCP-EAI/PhyAgentOS
让机器人开发回归“智能”本质
端到端视觉语言动作模型（VLA）在Demo中表现优异，但真机部署常因环境差异导致失败。开发者往往陷入"具身调参"困境：调模型、调驱动、调环境，最终沦为"机器人接线员"。PhyAgentOS提供系统化解决方案：
几小时部署：从代码克隆到机器人运行全程自动化；
零代码迁移：切换机器人本体仅需修改配置；
多机协同：支持多机器人系统动态分工与经验共享；
白盒决策：全流程可追溯、可调试。
Showcase：真机部署，开箱即用
已验证支持多种主流机器人平台，实现一键部署：
Demo 1: AgileX PIPER 一键部署
通过hal_watchdog.py自动识别硬件配置，无需编写底层驱动代码。
Demo 2: 基于SAM3的自然语言抓取
执行"抓取桌子上的苹果"等指令时，自动完成语义解析、目标定位与抓取约束生成。
Demo 3: 基于ReKep的约束求解抓取（Dobot Nova 2）
采用几何约束求解技术，实现精确位姿控制。
PhyAgentOS架构图 - 认知层（Track A）与物理执行层（Track B）解耦设计
核心革新：从"端到端黑盒"到"协议化白盒"
传统VLA模型将感知、推理、控制压缩为单一神经网络，存在不可解释、迁移难等问题。PhyAgentOS通过六层结构化协议实现系统革新：
▪ TASK.md：任务编排黑板
▪ ENVIRONMENT.md：场景图化环境表征
▪ SKILL.md：硬件无关抽象工作流
▪ ACTION.md：物理约束目标定义
▪ LESSONS.md：任务经验库
▪ EMBODIED.md：硬件本体说明书
该设计使云端模型输出几何约束与语义意图（如"保持杯口水平"），边缘侧通过求解器实时转化轨迹，实现类似自动驾驶"决策-规划"分离的系统架构升级。
四层架构设计
▪ 感知层：融合多模态信息构建场景图，输出至ENVIRONMENT.md；
▪ 决策层：兼容OpenAI/Claude等主流模型，独立校验物理可行性；
▪ 规划层：将指令分解为技能序列，支持动态重规划；
▪ 执行层：通过hal_watchdog看门狗进程轻量接入硬件SDK。
目标用户全景
面向机器人开发全链条角色提供差异化价值：
高校教学：提供开箱即用的教学套件与中文文档，实现从课程设计到科研项目的无缝衔接；
研究人员：标准化接口支持新算法快速验证，约束求解机制精准定位失败原因；
工程团队：作为具身智能中间层，上接大模型下接硬件平台，显著降低产品落地门槛；
硬件厂商：通过标准化BaseDriver接口实现智能注入，已适配AgileX PIPER、Dobot Nova 2等设备。
快速部署三步流程
git clone https://github.com/SYSU-HCP-EAI/PhyAgentOS.git cd PhyAgentOS pip install -e . python scripts/init_workspace.py python hal/hal_watchdog.py --driver simulation python PhyAgentOS/agent/main.py
仿真与真机无缝统一
通过切换--driver参数即可实现PyBullet/Isaac Sim等仿真环境与真实机器人间的智能迁移，业务逻辑无需修改。开发者可在仿真环境中充分迭代后一键部署至真机，规避碰撞风险。
