ロボットの操作タスクを自動化するための人工知能モデルの開発には、実ロボット上でのポリシー（行動戦略）の反復的な改善が不可欠です。しかし、実ロボットでの実験は複雑で、データ収集、推論実行、評価が分散したツール上で管理されることが多く、開発効率が低下していました。 この課題に対応するため、新たにEVA-Clientというオープンソースフレームワークが開発されました。このツールは、ポリシーサーバーと物理的なロボットハードウェアの間に位置し、実ロボットでの学習ループの全段階を統一的に管理します。最大の特徴は、モジュール化されたアーキテクチャです。ロボットのバックエンド、推論戦略、通信ミドルウェアが直交グリッド状に配置されており、新しいロボットや推論手法を追加する際に、対応するレイヤーのみを修正すればよいため、既存コードへの影響が最小限に抑えられます。 さらにEVA-Clientは、Debug、Collect、Evalという三つのワークフローを通じて、開ループシミュレーションから連続的なリアルタイム制御まで、多様な実行モードに対応しています。その次の革新的な点は、評価の実行そのものがデータ収集として機能することです。すべての評価実行時に完全なロールアウト情報が学習可能な形式で記録され、詳細なログと並行表示比較ビューアとともに保存されます。従来のように評価が単なる印象で終わるのではなく、その結果が次のトレーニングラウンドに直接フィードバックされるため、開発の効率性が大幅に向上します。フレームワークは、同期・非同期実行、ACTスタイルの時間的アンサンブル、リアルタイムチャンキングなど、主要なリアルタイム推論戦略を統一された設定インターフェース上で統合しています。