学习 Rust 机器人框架 Dora，来 GOSIM Workshop！

“

今年（2023）九月份将在上海举办首届的 GOSIM Workshop (9.23-24)^[1] 和  GOSIM Conference (9.26)^[2]  盛会。GOSIM 会场将支持「同声传译」，小伙伴们可以放心购票参与。还不了解 GOSIM 大会的朋友，可以参考文章结尾的详细介绍。

本次 GOSIM Workshop 机器人与自动驾驶分论坛请来了 Rust 开源下一代机器人框架的项目核心维护者 Xavier Tao 和 Philipp  来给大家做精彩分享。在参加 Workshop 之前，你应该对 Dora-rs 有一定了解。在本文中，你也将学到 Rust 如何安全高效和 Python 交互。

点击观看：机器人与自动驾驶的开源之旅 | GOSIM 数字纪事 ，了解关于汽车与自动驾驶，以及 Dora 的更多故事。

Dora 介绍

Dora-rs^[3] 是一个全新的现代化机器人框架，它基于 Rust 实现，具有极高的性能。dora-rs 也可以用于深度学习应用，旨在方便地集成最先进的深度学习模型，并希望能够在框架内进行训练。

2022年DORA-RS开源项目被发布，它全称为Dataflow Oriented Robotics Architecture。它借鉴了ROS，CyberRT和ERDOS这些项目的优点，试图解决机器人和自动驾驶领域长久以来的一大难题：如何能把繁荣的基于Python的AI算法生态集成到机器人和自动驾驶的软件开发中，同时能够高效地处理数据流。

它使用Rust语言做数据流的传输和调度管理，大大减少了数据的重复拷贝和传输。它提供了Rust语言和Python语言之间的无缝集成，减少了跨语言的性能代价。借助Python丰富的算法模块，开发者可以通过YAML蓝图脚本轻松设计出适用于各类机器人和自动驾驶场景的数据流。DORA为您提供与，实现数据流的零拷贝和高效IPC传输，极大提高性能。使得开发者可以专注于应用开发，而无需过多担心性能问题。

同时与Carla自动驾驶仿真系统完美结合，开发者可以使用DORA-RS提供的基线算法，开发先进的自动驾驶应用，并进行仿真测试。

不仅仅是仿真，DORA-RS同样支持真实的自动驾驶与控制器系统，无需更改代码，即可在仿真和现实环境中验证您的算法。

它的性能是ROS2 Python API 的 17 倍！是 ROS2 Rust API 的 10 倍！与 ROS2 C/Cpp API 共享内存快 0.06 ms。

Dora 的特点是：

• 零成本开销：在共享内存上进行零拷贝传输消息！使用Arrow和自己的共享内存守护程序，在单台机器上实现光速通信。

• 可扩展：专为机器和机器人扩展而设计！使用YAML描述来使软件具有声明性，以便在多台机器上进行分发。

• 快速原型制作：可复用YAML数据流中的现有节点和运算符，这样用户就不需要费心复制粘贴样板代码。用户还可以使用Python进行实时调试！支持热重载。

• 可观测：提供命令行界面和OpenTelemetry获取日志、跟踪和指标！

• 跨平台支持：Dora在大多数平台和架构上都提供Python、Rust、C和C++版本！

• 社区驱动：Dora 团队希望打造成一个由社区驱动的项目，并帮助其他人了解机器人技术。

dora 框架被划分为不同的组件：

• 节点（Node)：Dora节点是通过Dora库与其他节点进行通信的独立进程。节点可以是自定义的、用户指定的程序，也可以是Dora运行时节点，允许运行Dora操作符。节点实现了自己的 main 函数，因此对其执行具有完全控制权。

• 算子（Operators:）：算子是轻量级、协作的、基于库的组件，由dora运行时节点执行。它们必须根据所使用的语言实现特定的接口。算子可以使用dora运行时提供的各种高级功能，例如优先级调度或本地截止日期支持。

• 协调器（Coordinator）：协调器负责从YAML文件中读取数据流，验证数据流，并将节点和运算符部署到指定或自动确定的机器上。它监控运算符的健康状况，并实现高级集群管理功能。例如，我们可以为云节点实现自动扩展或运算符的复制和重启。协调器可以通过命令行程序（CLI）进行控制。

• 通信层采用可插拔组件设计，目前支持 zenoh^[4]。

Dora 与 多语言接口

Dora 目前提供 Rust/Cpp/Python Api，但编写一个多语言库并不容易。dora 的核心贡献者 Xavier 近日分享了他在构建 wonnx^[5] 和 dora-rs 过程中遇到的 FFI 相关的问题和解决方案，将以Rust-Python FFI通过 pyo3 为例进行说明，demo源码见 blogpost_ffi^[6]。该主题也会在 GOSIM Workshop 上面讲。

“

wonnx 是纯 Rust 实现的 GPU 加速的 ONNX 推理运行时，适用于Web.

`pyo3`^[7]  是最常用的Rust-Python绑定之一，可以为开发者创建FFI。我们所要做的就是用 #[pyfunction] 包装我们的函数，这样它就可以在Python中使用了。

use pyo3::prelude::*;
 
/// 两个数字之和必须被转为字符串
/// `#[pyfunction]` 指定这是 Python 中用的函数
#[pyfunction]
fn sum_as_string(a: usize, b: usize) -> PyResult<String> {
    Ok((a + b).to_string())
}
 
/// `#[pymodule]` 指定用 Rust 实现的 Python 函数
/// 该函数名应该与 `Cargo.toml`的 `lib.name` 名字设定相同
#[pymodule]
fn blogpost_ffi(_py: Python, m: &PyModule) -> PyResult<()> {
    m.add_function(wrap_pyfunction!(sum_as_string, m)?)?;
    Ok(())
}

然后在 Python 中就可以这样调用：

maturin develop
python -c "import blogpost_ffi; print(blogpost_ffi.sum_as_string(1,1))"
# Return: "2"

这里有个问题就是，自动解释的类型不是最优化实现。

实现1: Default

假如，我们想要使用数组进行操作，我们希望在Rust和Python之间接收一个数组输入并返回一个数组输出。默认的实现如下所示：

#[pyfunction]
fn create_list(a: Vec<&PyAny>) -> PyResult<Vec<&PyAny>> {
    Ok(a)
}
 
#[pymodule]
fn blogpost_ffi(_py: Python, m: &PyModule) -> PyResult<()> {
    m.add_function(wrap_pyfunction!(sum_as_string, m)?)?;
    m.add_function(wrap_pyfunction!(create_list, m)?)?;
    Ok(())
}

“

对于 create_list  创建 value = [1] * 100_000_000这样的非常大的列表进行调用，返回时间将为2.27秒。参考 test_script.py^[8]

这个速度有点慢...原因是这个列表将会在循环中逐个解释元素。我们可以尝试同时使用所有元素来提高效率。

实现2: PyBytes

假设我们的数组是一个可以表示为 PyBytes 的C连续数组。代码可以通过将输入和输出转换为 PyBytes 来进行优化：

#[pyfunction]
fn create_list_bytes<'a>(py: Python<'a>, a: &'a PyBytes) -> PyResult<&'a PyBytes> {
    let s = a.as_bytes();
 
    let output = PyBytes::new_with(py, s.len(), |bytes| {
        bytes.copy_from_slice(s);
        Ok(())
    })?;
    Ok(output)
}

“

对于相同的列表输入， create_list_bytes 返回结果需要78毫秒。这是比之前快30倍 声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Gausst松鼠会/article/detail/343764