立项原因
具身智能开发者最大的痛点是 环境碎片化——Isaac Sim / Gazebo / MuJoCo / PyTorch / ROS2 等十几个框架的依赖关系错综复杂，跨平台部署成本极高，新人 onboarding 痛苦。
旨在解决问题
硬件感知 + 自动适配（GPU 型号、CUDA 版本）
依赖约束自动求解（哪个版本组合能跑）
容器化一键交付（仿真/训练/推理环境）
3D 机器人设计 + URD 统一描述
从仿真训练到真机驱动的全链路打通
业务前景
教育（M5 教育版）
中小机器人公司
生态平台化（插件市场 + 模板注册表）
真机集成（UR5e / Franka）
层级 模块
环境与硬件 Dashboard / Environment List / Environment Create / 硬件检测
机器人设计 Body Designer（3D 设计 + URDF/MJCF 导出）/ URD（统一机器人描述）
训练与实验 Experiment Runner / Model Training / Motion Planner / Perception Studio / Behavior Tree Editor
部署与运行 Inference Deploy / Real-Time Control / ROS2 Console / Driver Manager / Gazebo Viewer
协作与扩展 AI Assistant / Code Studio / Plugin Market / Share Engine / Settings
① CLI 命令行层（main.rs + commands.rs）
实现 10 个命令：create / start / stop / status / detect / share / serve / templates / list / delete
基于 clap 派生宏，支持别名（如 create ↔ new）
serve 模式把整个进程切换成 gRPC 服务端（监听 50051）
② 硬件检测层（hardware/）
gpu.rs — 基于 nvml-wrapper 读取 NVIDIA GPU 详细信息（型号、显存、驱动、CUDA 版本、compute capability）
system.rs — 基于 sysinfo 读取 OS / CPU / RAM / 磁盘 / 内核版本 / 架构
输出统一 HardwareInfo 结构供上层使用
③ 依赖求解层（solver/）⭐ 最有技术含量的模块
constraints.rs — 内置 16 个机器人 / AI 框架的约束知识库（Isaac Sim / MuJoCo / PyTorch / ROS2 / Gazebo / MoveIt…）
resolver.rs — 纯 Rust 约束传播 + 回溯搜索算法，可在不安装 Z3 的情况下工作
z3-solver feature（可选）— 复杂场景下走 Z3 SMT 求解器
输出可直接喂给 Docker 的 Dockerfile + docker-compose.yml
④ Docker 容器编排层（docker/）
container.rs — 基于 bollard 异步 Docker API 客户端，封装容器 CRUD + GPU 直通 + 端口映射 + 卷挂载 + 共享内存
image.rs — 镜像拉取 / 缓存 / GC 策略
默认开启 8888（Jupyt
评论