OpenNeuro: 下一代具身智能机器人通用通信架构

让每一台机器人都能拥有特斯拉 Optimus 级别的神经系统

English | 简体中文 | 文档 | 快速开始 | 示例

---

🎯 项目愿景

OpenNeuro 旨在构建一套开源、标准化、软硬解耦的机器人内部通信架构，采用 Eclipse Zenoh 替代复杂的 DDS，实现高效、实时、易用的机器人神经网络。

核心特性

• ⚡ 微秒级同步 - PTP 硬件时间戳支持，精度 <1µs
• 🎯 确定性通信 - TSN 流量隔离，实时性保证
• 🪶 轻量高效 - Zenoh-Pico，嵌入式设备也能享受零拷贝通信
• 🔌 无缝集成 - ROS 2 透明桥接，兼容现有生态
• 🏗️ 区域架构 - Zone Controller 设计，减少线束，提高故障隔离
• 🔓 完全开源 - 从软件到硬件的完整解决方案

---

📊 项目状态

当前版本: v0.2.0-alpha.1 (M2.1)

功能完整性: ████████████████░░░░ 80%
性能达标: ████████████████████ 100%
生产就绪: ████████████░░░░░░░░ 60%
文档完整: ████████████████████ 100%

---

🚀 快速开始

环境要求

• 操作系统: Linux (Ubuntu 20.04+) 或 Windows 10/11
• 编译器: GCC 9+ / MSVC 2019+ / Clang 10+
• CMake: 3.15+
• Python: 3.8+ (可选，用于 TSN Python API)

安装

# 克隆仓库
git clone https://github.com/OpenNeuro/OpenNeuro.git
cd OpenNeuro
# 编译 PTP Stackcd ptp-stack
cmake -S . -B build -DCMAKE_BUILD_TYPE=Release
cmake --build build
# 编译 TSN Schedulercd ../tsn-scheduler
cmake -S . -B build -DCMAKE_BUILD_TYPE=Release
cmake --build build
# 编译 Zenoh Bridgecd ../zenoh-bridge
cmake -S . -B build -DCMAKE_BUILD_TYPE=Release
cmake --build build

运行测试

# PTP 性能基准测试cd ptp-stack/build
./bench_ptp
# TSN Python 绑定测试cd tsn-scheduler
python test_bindings.py
# Zenoh HAL 测试cd zenoh-bridge/build
./test_zenoh_hal

---

💡 核心技术

1. PTP 时间同步 (IEEE 1588v2)

性能: ~10ns 延迟 (零拷贝优化)

#include"ptp/master.h"// 初始化 PTP Masterptp_master_ctx_tmaster;
ptp_master_config_tconfig= {
.domain_number=0,
.sync_interval_log=-3// 125ms
};
ptp_master_init(&master, &config);
// 主循环while (running) {
ptp_master_tick(&master);
usleep(1000); // 1ms
}

2. TSN 调度器 (IEEE 802.1Qbv)

性能: O(1) 门控算法

importtsn_scheduler# 创建调度器sched=tsn_scheduler.create()
# 配置流量优先级config= {
'interface': 'eth0',
'rt_bandwidth': 200, # Mbps'st_bandwidth': 300,
'be_bandwidth': 500
}
tsn_scheduler.apply_config(sched, config)

3. Zenoh 通信层

性能: <100µs 延迟, >10K msg/s 吞吐量

#include"zenoh_hal.h"// 打开会话zenoh_session_t*s=zenoh_hal_open("tcp/127.0.0.1:7447");
// 发布数据zenoh_publisher_t*pub=zenoh_hal_declare_publisher(s, "robot/sensor/imu");
zenoh_hal_put(pub, data, len);
// 订阅数据voidcallback(constuint8_t*data, size_tlen, void*ctx) {
printf("Received: %zu bytes\n", len);
}
zenoh_subscriber_t*sub=zenoh_hal_declare_subscriber(s, "robot/cmd", callback, NULL);

---

🏗️ 项目结构

OpenNeuro/
├── ptp-stack/ # PTP 协议栈
│ ├── src/
│ │ ├── master/ # PTP Master 实现
│ │ ├── slave/ # PTP Slave 实现
│ │ ├── protocol/ # 消息处理
│ │ └── platform/ # 硬件时间戳
│ └── tests/ # 测试程序
│
├── tsn-scheduler/ # TSN 调度器
│ ├── src/
│ │ ├── core/ # 核心调度算法
│ │ ├── linux/ # Linux Taprio 集成
│ │ └── python_api/ # Python 绑定
│ └── tests/ # 测试程序
│
├── zenoh-bridge/ # Zenoh 桥接器
│ ├── src/
│ │ ├── zenoh_hal.h # HAL 抽象层
│ │ ├── zenoh_hal_full.c # Full Zenoh 实现
│ │ ├── zenoh_hal_pico.c # Zenoh-Pico 实现
│ │ └── tsn_qos_bridge.c # QoS 映射
│ └── tests/ # 测试程序
│
├── hardware/ # 硬件设计
│ ├── zone-controller/ # Zone Controller 设计
│ └── reference-design/ # 参考设计
│
└── docs/ # 文档
├── API_REFERENCE.md
├── PERFORMANCE_REPORT.md
└── VERIFICATION_GUIDE.md

---

📚 文档

核心文档

• API 参考 - 完整 API 文档
• 性能报告 - 性能基准测试
• 验证指南 - 快速验证流程
• 发布说明 - 版本更新日志

技术文档

• PTP 架构设计
• TSN 需求规格
• 硬件设计规范
• Zenoh 集成指南

集成指南

• AGI-Walker 集成分析
• 技术审查与路线图

---

🎯 应用场景

1. 机器人仿真 (AGI-Walker)

# Godot 仿真中的时间同步fromptp_stackimportPTPSlaveslave=PTPSlave(domain=0, interface="lo")
whilerunning:
slave.tick()
sync_time=slave.get_time()

2. 工业机器人控制

优先级 7: 电机控制 (<100µs)
优先级 6: 传感器反馈 (<1ms)
优先级 4: 视频流 (<10ms)
优先级 0: 诊断信息 (尽力而为)

3. 分布式机器人系统

Zone Controller (RK3588)
├─ PTP Master
├─ TSN Scheduler
└─ Zenoh Router
↓
Zone Neurons (ESP32/STM32)
├─ PTP Slave
├─ Zenoh-Pico
└─ 传感器/执行器

---

---

🤝 贡献

我们欢迎所有形式的贡献！

• 🐛 报告 Bug
• 💡 提出新功能
• 📝 改进文档
• 💻 提交代码

---

📄 许可证

本项目采用 MIT License

---

🌟 致谢

• Eclipse Zenoh - 高性能数据通信
• IEEE 1588 - PTP 标准
• IEEE 802.1Q - TSN 标准
• 所有贡献者和支持者

---

OpenNeuro - 让机器人拥有神经系统！ 🤖🚀

Made with ❤️ by OpenNeuro Team