📖 本文为精简版（~3 分钟）。想深入完整工程细节（设计决策、算法 / reward、诊断、复现命令），请移步 技术详解版 →
概要
VLA（Vision-Language-Action）模型很能吃数据，而真机采集又贵又慢。我们换个思路：在
AMD Instinct MI300X + ROCm 平台上，用 openarm_mp_labs
把 OpenArm 的「抓-放」动作变成一台 sim 内的专家轨迹数据引擎——给定物体和抓取位姿，自动
解出一条平滑、物理可行、亚毫米精度的示范轨迹，可批量复现。
两个关键结果：
- 用 Cartesian 路点 + mink IK，把抓取拆成
approach→descend→close→lift→transport→place→retreat→home， 末端 IK 误差 0.4–0.9 mm，cube/ginger 物理仿真抬升 112–120 mm。 - 抓取位姿既能是标定 top-down，也能直接吃 GraspGenX 的 6-DOF 抓取（在 AMD ROCm 上、 为 OpenArm 夹爪生成）——多物体 × 多抓取 = 给 VLA 的多样化示范。
cube 抓-放回放：从简单方块起步
实践环境
- 硬件：AMD Instinct MI300X
- 平台：ROCm 7.2——容器内实测
torch 2.7.1+rocm7.2、hip 7.2.26015 - 主项目：
openarm_mp_labs（轨迹生成 + MuJoCo 回放） - 依赖：
openarm_control（IK）、openarm_mujoco（模型）、GraspGenX（6-DOF 抓取）、Scan2Sim（真实扫描件转 sim 资产）
轨迹生成 + MuJoCo 是 CPU 计算；GPU/ROCm 的价值在 GraspGenX 抓取合成与下游 VLA 训练。
实践过程概要
- 轨迹生成是数据引擎：每个阶段在起止位姿间插值、逐帧解 mink IK，阶段末加一步收敛把 误差压到最小；以"两指尖中点 + 标定 TCP 偏移"为目标，适配 OpenArm 弯曲指尖。
- 从方块到真实物体：换上 Scan2Sim 转换的 ginger，抓取改用 GraspGenX 的 50 个排序 6-DOF
抓取（置信度 0.97→0.77），
full模式直接采用斜向朝向。 - 让抓取稳：先 settle 再取坐标、标定夹合角、运动学吸附 + 闭环重 IK，压住位控漂移。
- AMD ROCm 生态：靠我提的 3 个 GraspGenX PR—— #1 加 ROCm 支持（能在 AMD 上推理）、 #3 加 OpenArm 夹爪（能为 OpenArm 出抓取）、 #4 网格可视化 demo。
关键命令（完整流程见项目仓库）：
uv run openarm-mp-demo --generate-only # 只生成轨迹(IK 误差)
uv run openarm-mp-demo --simulate-only # 物理校验(抬升判定)
MUJOCO_GL=egl uv run openarm-mp-demo --object ginger \
--grasp-mode full --record output/ginger_full.mp4 # GraspGenX 6-DOF + 录制
ginger 6-DOF 抓取-放置回放：升级到真实扫描物体
实践结果与结论
| 场景 | 抓取来源 | 仿真抬升 |
|---|---|---|
| cube | 标定 top-down | 112.0 mm |
| ginger | GraspGenX topdown | 120.4 mm |
| ginger | GraspGenX full（6-DOF，conf 0.97） | 112.4 mm |
三条带得走的经验：
- 轨迹生成被低估：有了好抓取位姿，确定性 IK + 物理校验就能稳定产出高质量专家轨迹， 成本远低于真机。
- 多样性靠两个旋钮：GraspGenX（夹爪）× Scan2Sim（物体），把数据做"广"。
- AMD ROCm 能扛 Physical AI：从 GraspGenX 推理到 MuJoCo 数据生成，整条链路在 MI300X + ROCm 上跑得通。
项目引用 / 动手复现
按上面的项目就能复现这套"在 AMD ROCm 上为 VLA 造专家轨迹"的实践。
📖 想了解更多？完整工程细节见 技术详解版。