一、项目简介

dora-rs（Dataflow Oriented Robotics Architecture）是一款基于 Rust 语言的高性能、现代化机器人框架。其核心目标是通过数据流驱动的设计范式，解决机器人开发中低效通信、跨语言集成困难等问题，并在性能上实现对 ROS/ROS2 等传统框架的超越。 
二、项目亮点
dora-rs是运行实时多AI和多硬件应用程序的框架。
dora-rs内部列表是100％生锈的，与替代品相比，它非常快，例如⚡️10-17x更快比ros2.
包括一套用于快速原型制作的预包装节点，这些节点简化了硬件，算法和AI模型的集成。
三、技术架构

1. 数据流模型

采用有向图数据流范式，将机器人应用建模为节点（Node）和边（Edge）组成的网络。节点代表独立任务（如传感器处理、运动控制），边定义数据流向，支持动态组合与分布式部署。这种设计使得系统模块化程度高，开发者可通过 YAML 配置文件快速调整数据流逻辑，无需修改底层代码。

2. 核心组件

节点（Node）：独立进程，通过共享内存或 TCP 通信，支持 Python、Rust、C/C++ 等多种语言实现。

算子（Operators）：轻量级协作组件，由运行时调度，支持优先级任务和本地截止时间管理。

协调器（Coordinator）：负责解析数据流配置、部署节点，并监控运行状态，支持集群管理与自动扩缩容。

3. 通信机制

零拷贝传输：基于自研共享内存服务器和 Apache Arrow 内存格式，跨进程传递数据时避免拷贝开销，单机通信延迟低至 4.49ms（40MB 数据）。

跨平台支持：本地通信采用共享内存，分布式场景通过 Zenoh 中间件或 TCP 实现，兼容 Windows、Linux、macOS 及 ARM 架构。

四、性能优势

1. 速度对比

Python 接口：传输 40MB 数据时，dora-rs 耗时 8.94ms，比 ROS2 Python 快 17 倍。

Rust/C++ 接口：与 ROS2 C++ 性能相当（4.49ms），但通过零拷贝设计进一步降低资源占用。

2. 技术优化

Apache Arrow 集成：列式存储格式支持跨语言高效数据交换，无需序列化，尤其适合 AI 模型与机器人系统的实时交互。

热重载功能：Python 代码修改后无需重启节点，保持状态不变，显著提升调试效率。

五、应用场景

1. 机器人控制与导航

该系统专注于提升机器人的自主运动规划和导航能力，集成了先进的避障算法（例如路径规划库）以及传感器数据处理技术。它适用于工业自动化和仓储物流中的机器人应用，支持这些环境下的高效运作。

2. 自动驾驶与仿真

本解决方案深度集成于Carla仿真平台，为自动驾驶汽车的算法开发提供了一个基线环境。特别是dora-drives套件，它旨在帮助开发者实现从仿真到实际车辆部署的无缝转换，简化了自动驾驶软件的开发过程。

3. 具身智能

结合大型语言模型的能力，实现了通过自然语言指令来驱动机器人的动作执行。一个典型的案例是基于大疆RoboMaster项目中的具身智能应用，利用dora-rs框架将多模态模型与硬件控制系统紧密结合，从而提高机器人对复杂任务的理解和执行效率。

六、安装

pip install dora-rs-cli

运行

## Create a virtual environmentuv venv --seed -p 3.11## Install nodes dependencies of a remote graphdora build https://raw.githubusercontent.com/dora-rs/dora/refs/heads/main/examples/object-detection/yolo.yml --uv## Run yolo graphdora run yolo.yml --uv

确保拥有网络摄像头

要停止数据流，您可以使用ctrl+c

要了解正在发生的事情，您可以使用以下方式查看数据流程：
cat yolo.yml

结果

nodes:  - id: camera    build: pip install opencv-video-capture    path: opencv-video-capture    inputs:      tick: dora/timer/millis/20    outputs:      - image    env:      CAPTURE_PATH: 0      IMAGE_WIDTH: 640      IMAGE_HEIGHT: 480  - id: object-detection    build: pip install dora-yolo    path: dora-yolo    inputs:      image: camera/image    outputs:      - bbox  - id: plot    build: pip install dora-rerun    path: dora-rerun    inputs:      image: camera/image      boxes2d: object-detection/bbox
在上面的示例中，我们可以理解，相机正在向重播查看器以及Yolo模型发送图像，该模型生成了在Rerun中可视化的边界框。

七、UI展示

版权声明：
1、本网站名称：帝企吧
2、本站永久网址：https://www.diqiba.com
3、本网站的文章部分内容可能来源于网络及作者投稿，仅供大家学习与参考，如有侵权，请联系站长进行删除处理。
4、本站一切资源不代表本站立场，并不代表本站赞同其观点和对其真实性负责。
5、本站一律禁止以任何方式发布或转载任何违法的相关信息，访客发现请向站长举报。
6、本站资源大多存储在云盘，如发现链接失效，请联系我们我们会第一时间更新。
7、本站所有资源来源于互联网，仅用于学习及参考使用，切勿用于商业用途，如产生法律纠纷本站概不负责！ 8、资源除标明原创外均来自网络转载，版权归原作者所有，若侵犯到您权益请联系我们删除，我们将及时处理！ 9、若您需使用非免费的软件或服务，请购买正版授权并合法使用！