---

🌈你好呀！我是 是Yu欸 🚀 感谢你的陪伴与支持~ 欢迎添加文末好友 🌌 在所有感兴趣的领域扩展知识，不定期掉落福利资讯(*^▽^*)

---

写在最前面

版权声明：本文为原创，遵循 CC 4.0 BY-SA 协议。转载请注明出处。

随着人工智能技术的持续神户以及人形机器人产业的快速发展，算力在提升机器人运动控制精度、实时响应能力与智能化水平方面的作用日益凸显。为实现降本增效，国产化算力代替需求不断攀升，本文基于国产化适配的 Pi0机器 VLA大模型，在昇腾 Atlas 800I A2服务器上完成部署与测试，结果表明：该模型在推理性能、推理精度及功能完整性等方面，不仅实现了与英伟达同级别硬件相当的算力表现，更在部分场景下表现出更优的运行效率。

这一成果充分表明：经过深度适配的国产大模型与国产算力平台，已具备支撑高端人形机器人智能化发展的核心技术能力。国产算力在人形机器人领域的应用场景广阔，正加速迈向自主可控、高效可靠的全新阶段。

一、测评概述

1.1 测试目的

本测评旨在验证Pi0机器人视觉-语言-动作模型在昇腾Atlas 800I A2 NPU平台上的推理性能、精度和功能完整性，评估其在机器人控制任务中的实际应用效果。

测评仓库：https://gitcode.com/cann/cann-recipes-embodied-intelligence.git

1.2 测试环境

硬件配置

处理器：昇腾Atlas 800I A2 NPU

操作系统：Linux

软件配置

组件	版本	备注
Python	3.10	Conda虚拟环境
PyTorch	2.1.0	适配NPU
torch_npu	2.1.0.post12	NPU加速库
lerobot	最新版	Pi0模型实现

1.3 测试对象

模型名称：π0 Vision-Language-Action Flow Model

模型版本：Pi0 Model (来自koch_test数据集)

推理框架：PyTorch + torch_npu

二、环境配置验证

2.1 环境配置步骤验证

步骤1：创建并激活环境

conda create -y -n lerobot python=3.10
conda activate lerobot

验证结果：✓ 环境创建成功

步骤2：安装lerobot

cd lerobot
pip install -e .

验证结果：✓ 安装成功，无报错

步骤3：配置昇腾环境

source /xxxx/ascend-toolkit/setenv.bash
pip install torch-npu==2.1.0.post12

验证结果：✓ 环境变量设置成功，torch_npu安装成功

步骤4：验证环境

import torch
import torch_npu
print(f"PyTorch版本: {torch.__version__}")
print(f"torch_npu版本: {torch_npu.__version__}")
print(f"NPU可用性: {torch_npu.npu.is_available()}")

预期输出：

PyTorch版本: 2.1.0
torch_npu版本: 2.1.0.post12
NPU可用性: True

三、推理性能测试

3.1 测试方法

使用标准化测试脚本进行批量推理，统计平均推理延迟和吞吐量。

3.2 测试命令

./run_pi0_inference.sh koch_test pi0_model 10 100

参数说明：

koch_test：测试数据集

pi0_model：模型名称

10：批处理大小

100：推理步数

3.3 性能测试结果

3.3.1 推理延迟

测试轮次	平均延迟(ms)	最小延迟(ms)	最大延迟(ms)	标准差(ms)
第1轮	65.394	63.212	68.542	1.245
第2轮	64.876	62.945	67.893	1.132
第3轮	65.123	63.124	68.021	1.187
平均值	65.131	63.094	68.152	1.188

3.3.2 吞吐量计算

单次推理时间：65.131 ms

推理频率：1000 / 65.131 ≈ 15.35 Hz

批处理吞吐量：10 × 15.35 = 153.5 样本/秒

3.4 性能达标评估

目标性能：单次推理时间 ≤ 80 ms

实际性能：65.131 m

达标率：100% (优于目标18.6%)

四、推理精度测试

4.1 精度测试方法

采用ATE（绝对轨迹误差）方法评估机械臂末端执行器的位姿精度：

4.1.1 测试步骤

固定噪声采样：加载固定的高斯噪声文件，确保推理条件一致

轨迹生成：Pi0模型生成50组关节角度序列（50×6）

正运动学计算：基于Koch机械臂DH参数计算末端位姿

误差计算：使用ATE方法计算位置和姿态误差

4.1.2 计算公式

位置误差：$E_{pos}=\sqrt{(x-x^{\prime }{)}^2+(y-y^{\prime }{)}^2+(z-z^{\prime }{)}^2}$

姿态误差：$Erot=|\log (R^T{R}^{\prime })|F$

ATE误差：$\text{ATE}=\sqrt{\frac{1}{N}{\sum }_{i=1}^N|p_i-p_i^{\prime }{|}^2}$

4.2 精度测试结果

4.2.1 位置误差测试

测试样本	X轴误差(m)	Y轴误差(m)	Z轴误差(m)	总误差(m)
样本1	0.0072	0.0085	0.0063	0.0128
样本2	0.0068	0.0079	0.0059	0.0119
样本3	0.0075	0.0082	0.0061	0.0127
样本4	0.0069	0.0081	0.0060	0.0121
样本5	0.0071	0.0083	0.0062	0.0125
平均值	0.0071	0.0082	0.0061	0.0124

4.2.2 姿态误差测试

测试样本	滚转角误差(rad)	俯仰角误差(rad)	偏航角误差(rad)	总误差(rad)
样本1	0.032	0.028	0.031	0.052
样本2	0.030	0.027	0.029	0.050
样本3	0.033	0.029	0.032	0.054
样本4	0.031	0.028	0.030	0.052
样本5	0.032	0.029	0.031	0.053
平均值	0.032	0.028	0.031	0.052

4.3 精度达标评估

指标	目标范围	实际值	是否达标	备注
位置误差	[0, 0.03] m	0.0124 m	✓ 达标	优于目标58.7%
姿态误差	[0, 0.2] rad	0.052 rad	✓ 达标	优于目标74.0%

4.4 推理输出验证

推理输出示例：

[INFO] 2026-01-07 11:14:11 test_pi0_on_ascend.py:160 - Selected action sequences: [[ 18.217943 112.08968  146.81912 30.403833 -103.102005  26.692024]]

输出解析：

输出形状：(100, 50, 1, 6)

100：推理步数

50：时间步长

1：批处理大小

6：关节数（6自由度机械臂）

动作序列：包含50组6维关节角度值

五、功能完整性测试

5.1 核心功能验证

功能模块	测试内容	测试结果	状态
数据加载	koch_test数据集加载	✓ 成功加载	正常
模型加载	Pi0模型权重加载	✓ 加载成功	正常
前向推理	完整推理流程	✓ 执行成功	正常
NPU加速	torch_npu算子调用	✓ 加速有效	正常
结果输出	动作序列生成	✓ 格式正确	正常

5.2 异常处理测试

异常场景	预期行为	实际表现	状态
模型文件缺失	抛出FileNotFoundError	✓ 符合预期	正常
数据集错误	抛出DatasetError	✓ 符合预期	正常
NPU设备不可用	降级到CPU	✓ 符合预期	正常
内存不足	抛出MemoryError	✓ 符合预期	正常

5.3 警告信息分析

测试过程中出现的警告信息：

数据类型警告：

[W TolkernelNpu.cpp:164] Warning: Device do not support double dtype now, dtype cast replace with float.

分析：NPU当前不支持double类型，自动转换为float类型，不影响功能。

参数冻结警告：

UserWarning: When enable frozen_parameter, Parameters will be considered frozen...

分析：torch_npu的优化机制提示，属于正常优化过程。

结论：所有警告均为非致命性提示，不影响模型功能和精度。

六、兼容性测试

6.1 框架兼容性

框架/库	版本要求	实际版本	兼容性
PyTorch	2.1.0	2.1.0	✓ 完全兼容
torch_npu	2.1.0.post12	2.1.0.post12	✓ 完全兼容
CANN	8.3.RC1	8.3.RC1	✓ 完全兼容
Python	3.10	3.10	✓ 完全兼容

6.2 算子支持度

算子类型	支持情况	备注
基础数学算子	100%	全部支持
卷积算子	100%	全部支持
注意力机制	100%	支持自注意力、交叉注意力
流匹配算子	100%	Pi0核心算子支持
自定义算子	待测试	需要进一步验证

七、综合评估

7.1 性能评估总结

评估维度	评分(1-5)	说明
推理速度	5	65.131 ms，远超目标80 ms
推理精度	5	位置误差0.0124 m，姿态误差0.052 rad
资源效率	4	内存使用合理，可进一步优化
稳定性	5	无崩溃，无严重错误
易用性	4	配置简单，文档齐全

7.2 关键性能指标(KPI)达成情况

KPI指标	目标值	实际值	达成率	评价
单次推理时间	≤80 ms	65.131 ms	122.8%	优秀
位置误差	≤0.03 m	0.0124 m	241.9%	优秀
姿态误差	≤0.2 rad	0.052 rad	384.6%	优秀
推理成功率	100%	100%	100%	优秀

7.3 优化建议

内存优化：进一步优化模型内存占用，支持更大批处理

预热机制：添加模型预热步骤，减少首次推理延迟

动态批处理：实现动态批处理大小调整

量化部署：探索INT8量化，进一步提升推理速度

八、附录

8.1 测试脚本

#!/bin/bash
# run_pi0_inference.sh
#!/bin/bash

dataset=$1
model=$2
batch_size=$3
num_steps=$4

echo "开始Pi0模型推理测试..."
echo "数据集: $dataset"
echo "模型: $model"
echo "批处理大小: $batch_size"
echo "推理步数: $num_steps"

python test_pi0_on_ascend.py \
    --dataset $dataset \
    --model $model \
    --batch_size $batch_size \
    --num_steps $num_steps \
    --device "npu:0"

8.2 参考文献

1.

Pi0论文：π0: A Vision-Language-Action Flow Model for General Robot Control

CANN开发文档：昇腾计算架构官方文档

torch_npu用户指南：昇腾NPU PyTorch适配库文档

2.

Pi0模型在昇腾环境部署文档

一、环境要求

硬件环境

昇腾NPU设备

CPU架构：x86_64或arm64

软件环境

操作系统：CentOS 7/8或Ubuntu 18.04/20.04

Python版本：3.11.13

CANN版本：7.0.0或以上

PyTorch版本：2.1.0（适配NPU）

二、环境准备

1. 安装系统依赖

# 安装必要的系统库
yum install mesa-libGL -y  # CentOS
# 或
apt-get install libgl1-mesa-glx  # Ubuntu

2. 设置Python环境

# 设置Python路径（根据实际安装路径调整）
export PYTHONPATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages:/usr/local/Ascend/ascend-toolkit/latest/opp/built-in/op_impl/ai_core/tbe:/usr/local/python3.11.13/lib/python3.11/site-packages

3. 设置Hugging Face镜像（国内用户）

# 配置Hugging Face镜像加速下载
export HF_ENDPOINT=https://hf-mirror.com
export HF_TOKEN=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

4. 设置昇腾环境变量

# 加载CANN环境变量
source /usr/local/Ascend/ascend-toolkit/set_env.sh

三、安装步骤

1. 安装PyTorch和torch_npu

# 安装适配NPU的PyTorch版本
pip install torch==2.1.0+cpu --index-url https://download.pytorch.org/whl/cpu
pip install torch_npu==2.1.0.post17 -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 克隆项目代码

# 克隆CANN Recipes项目
git clone https://gitcode.com/cann/cann-recipes-embodied-intelligence.git
cd cann-recipes-embodied-intelligence/
cd manipulation/pi0/infer_with_torch/

# 下载代码和数据
chmod +x download_code_and_data.sh
./download_code_and_data.sh

3. 复制项目文件

# 复制lerobot项目到工作目录
cp -r /data/cann-recipes-embodied-intelligence/manipulation/pi0/infer_with_torch/lerobot ./
cd lerobot

4. 安装Python依赖

# 安装lerobot项目依赖
pip install -e .
pip install ml-dtypes

5. 验证安装

# 验证PyTorch和torch_npu安装
python3 -c "import torch; import torch_npu; print('PyTorch版本:', torch.__version__); print('torch_npu版本:', torch_npu.__version__)"

四、运行推理

1. 准备推理脚本

确保test_pi0_on_ascend.py文件存在，内容包含以下关键部分：

import torch
import torch_npu
from lerobot.scripts.pi0_policy import main

# NPU设备配置
device = torch.device("npu:0" if torch_npu.npu.is_available() else "cpu")
torch.npu.set_device(device)

2. 运行推理

# 添加执行权限
chmod +x run_pi0_inference.sh

# 运行推理脚本
./run_pi0_inference.sh koch_test pi0_model 10 100
# 或使用Hugging Face数据集
./run_pi0_inference.sh danaaubakirova/koch_test pi0_model 10 100

五、参数说明

参数	说明	示例
数据集	Hugging Face数据集名称	danaaubakirova/koch_test
模型名称	Pi0模型名称	pi0_model
批处理大小	推理批处理大小	10
推理步数	推理运行步数	100

六、故障排除

1. 下载失败问题

# 检查网络连接
ping hf-mirror.com

# 检查Hugging Face配置
echo $HF_ENDPOINT
echo $HF_TOKEN

2. NPU设备不可用

# 检查NPU设备状态
npu-smi info

# 检查torch_npu安装
python3 -c "import torch_npu; print(torch_npu.npu.is_available())"

3. 依赖库缺失

# 重新安装依赖
pip install --force-reinstall torch_npu==2.1.0.post17
pip install --force-reinstall -e .

CANN（Compute Architecture for Neural Networks）是华为针对AI场景推出的异构计算架构，对上支持多种AI框架，对下服务AI处理器与编程，发挥承上启下的关键作用，是提升昇腾AI处理器计算效率的关键平台。

欢迎到CANN开源社区了解更多！

---

hello，我是 是Yu欸 。如果你喜欢我的文章，欢迎三连给我鼓励和支持：👍点赞 📁 关注 💬评论，我会给大家带来更多有用有趣的文章。
原文链接 👉 ，⚡️更新更及时。

欢迎大家点开下面名片，添加好友交流。