机器人软件与具身智能 · 专栏七:软件架构与 SDK 设计 · 第 6 篇

八界正在执行自动收纳,调试程序也想移动机械臂。两个客户端都能连接、都通过身份验证,并不意味着它们可以同时控制同一个执行资源。再复杂一点:自动任务暂停数秒后恢复,系统已经把控制权交给调试程序,旧任务积压的命令这时才到达。入口应该依据什么拒绝它?

这涉及几种不同机制:权限判断谁可以申请,资源分配判断当前谁占用,租约限制占用有效期,授权代次识别过期命令,任务身份决定查询与取消指向谁。它们需要配合,不能让一个“已连接”或“锁已获得”的布尔值包办全部判断。

本篇用机械臂、底盘和相机组成教学资源集合,先建立单服务器模型,再拆开授权服务与资源入口,观察移交时最容易漏掉的时间窗口。示例没有真实停止控制,也不连接设备。

在这里插入图片描述

图 1|新的控制权生效时,资源入口必须同时失效旧授权。

1. 权限、占用和执行状态分别回答什么

权限是一种长期资格,例如某个账户允许调试机械臂;占用是一种当前分配,例如此刻由收纳任务控制右臂;执行状态是一种实时事实,例如右臂正在减速。账户有权限,不代表资源空闲;租约有效,不代表某次计划仍符合当前场景;租约到期,也不代表机械臂已经停住。

把这三件事分开,错误才能具有可操作的含义。权限不足需要修改授权;资源繁忙需要等待或取消自己的其他任务;停止未确认需要核对执行状态。若都返回 BUSY,调用方可能把权限问题无限重试,或把仍在运动的资源当作几秒后自动可用。

资源集合还有几何含义。八界底盘移动时,机械臂规划所依据的基座位姿可能改变;升降机构改变高度时,末端相对环境的关系也会改变。因此“不同电机”并不自动意味着两个动作可并行。可以通过联合动作管理耦合,或在规划上下文中固定并检查相关状态,而不能只按设备名称互不相同就开放并发。

只读能力也需要区分效果和一致性。两个客户端同时读相机通常不发生控制冲突,但它们可能需要同一帧的图像与深度;资源共享许可不保证样本同步。控制权机制限制谁能改变世界,观测机制说明读到哪个世界,两者应共同支撑动作前提。

八界的一个动作可能同时使用底盘和机械臂。资源粒度不能只按客户端或节点命名,而应覆盖可能冲突的效果:两个节点可以控制同一硬件,一个节点也可以服务多个互不冲突的只读请求。相机读取是否共享、云台或升降是否独占,需要按能力的实际影响定义,不能由资源名自动推断。
在这里插入图片描述

图 2|冲突来自资源集合交叠,客户端名称不同并不能隔离硬件效果。

基础实验让任务 A 申请 arm、base,任务 B 申请 base、camera。B 因 base 冲突而整体拒绝,camera 不会被顺便占住。若先拿到 camera 再等待 base,系统可能形成部分占用;多个任务采用不同申请顺序时,还会出现彼此等待。

2. 一次申请怎样避免只拿到一半资源

教学仲裁器接收完整资源集合,在同一个串行入口里检查交叠、分配新代次并安装到各资源。逻辑如下:

def acquire(self, owner, task_id, resources, now_s, ttl_s):
    resources = frozenset(resources)
    if not resources or not math.isfinite(now_s) or not math.isfinite(ttl_s) or ttl_s <= 0:
        raise ValueError("invalid lease request")
    self.expire(now_s)
    if any(resources & lease.resources for lease in self.leases.values()):
        return None  # Including STOPPING leases: expiry is not stop evidence.
    self.generation += 1
    lease = Lease(owner, task_id, resources, self.generation, now_s+ttl_s)
    self.leases[lease.token] = lease
    # Install new generation at the resource before returning the grant.
    for resource in resources:
        self.resource_tokens[resource] = lease.token
    return lease

这里的关键是整体判断和整体分配。任何资源与已有租约重叠,本次都不授予;包括处于 STOPPING 的旧租约,因为到期后的停止过程仍然占用资源。只有全部可用,才建立新 Lease,并把新代次写入资源检查表。

示例假定调用串行进入。若改成多线程服务,检查与写入必须在同一个一致性边界内;若资源跨多个服务,单个 Python 字典无法提供全局原子分配,需要额外协调,或使用固定资源获取顺序与明确失败释放策略。不能把本例几行代码直接称为分布式锁实现。

作者提供的八界 demo 在动作前获取租约,精选调用只保留必要入口:

from eco_sdk import AcquireControlRequest
request = AcquireControlRequest("column7-example", 180000)
lease = client.eco_acquireControl(request).eco_wait()
lease_id = lease.lease_id

租约是执行前提之一,之后仍要检查模式、计划上下文和目标。这里也没有要求应用获得“整台机器人所有资源”;粒度过大会牺牲不冲突任务的并行能力,过细则会把一个必须共同维护的动作拆成难以协调的多份占用。通常应从动作实际需要的资源集合反推分配单元。

3. 租约到期撤销的是资格,不是物理速度

租约用服务器认可的期限限制控制权。教学模型在时刻 0 授予 2 s,1.5 s 续租后到期变为 3.5 s;恰好 3.5 s 再续租会被拒绝。边界使用 now >= expires,避免“刚好到期是否还能续”因不同入口产生两种解释。
在这里插入图片描述

图 3|租约到期进入停止处理,资源持续保留到停止确认。

在这里插入图片描述

到期后示例把状态改为 STOPPING,而不是删除记录。新写入被拒绝,新的冲突申请也被拒绝,系统等待受信任执行侧的停止确认。这会暂时降低可用性,却避免把仍有旧动作影响的资源立即交给另一任务。

如果八界客户端失联,服务器可启动停止过程,但网络失联本身不是速度为零的证据。停止也可能失败或迟迟无法确认。此时应保留明确状态和诊断入口,不能为了自动恢复服务而把未知状态改成空闲。

客户端本地的“还剩 100 ms”也只能辅助安排续租,最终接受应由权威端判断。不同机器的单调时钟数值不可直接比较,客户端卡顿、网络延迟和服务器排队都会消耗期限。让命令携带一个自报的未过期时间,不能替代资源端的当前授权检查。

4. 已经撤销的客户端,仍然可能把旧命令送到入口

租约解决期限,却没有自动删除网络里已经排队的字节。A 持有代次 1,B 后来获得代次 2,A 的旧命令可能在 B 开始之前到达。若资源端只检查“当前有没有一个租约”,或等收到 B 的第一条命令才更新代次,旧写入仍可能被接受。

在这里插入图片描述

图 4|旧命令即使先于 B 的第一次写入到达,也应该被当前资源授权挡住。

在这里插入图片描述

写入口依次核对资源代次、租约阶段、owner、task_id 和资源范围:

def write(self, token, owner, task_id, resource, now_s):
    self.expire(now_s)
    lease = self.leases.get(token)
    if self.resource_tokens.get(resource) != token:
        return "STALE_FENCE"
    if not lease or lease.phase != "ACTIVE":
        return "LEASE_INACTIVE"
    if (lease.owner, lease.task_id) != (owner, task_id):
        return "WRONG_OWNER_OR_TASK"
    if resource not in lease.resources:
        return "RESOURCE_NOT_GRANTED"
    self.writes.append((token, resource))
    return "ACCEPTED"

不同检查不能互相替代。token 匹配仍可能是同一客户端的错误任务;owner 匹配也可能携带已经失效的旧 token;有 arm 授权不能写 base。所有检查通过才记录一次写入。

这种在资源侧拒绝旧授权写入的思路常被称为 fencing。Hazelcast 的 FencedLock 文档用暂停客户端解释了为什么仅有锁持有者的自觉不足以阻止旧操作。[1] 本文使用独立模型,八界并不因此被推断为采用该组件。

这里的授权代次也不能只在网关检查一次。命令进入工作队列以后可能等待很久,真正触达资源时授权已经变化。如果下游不再检查,入口时合法的旧命令仍会越过后来的移交。检查应该放在产生效果所依赖的最后一个受控边界,或者保证队列中的旧命令在移交前被可靠清理并确认。

同样要区分拒绝旧的新写入与终止已经开始的工作。代次更新能阻止旧命令继续进入,并不自动撤销控制器已接受的轨迹。先停止并确认、再安装新授权,正是为了分别处理正在执行的旧工作与尚未执行的迟到请求。只有其中一项完成,移交仍不完整。

一个必须明确的条件是检查范围:如果某条旧接口绕过这道入口,保护就不覆盖那条路径。Plus 租约只约束纳入该机制的调用,不能写成全机互斥,更不能当成硬件急停。能力的公开描述应说明受控入口,否则使用者会高估保护范围。

5. 租期长短是在延迟容忍与恢复速度之间取舍

设客户端每 H 秒续租,最大设计网络抖动为 J,允许进程暂停 P,租期 L 至少要为这段间隔留出余量。教学数值为 H=0.5 s、J=0.2 s、P=0.8 s、L=2.0 s,余量是 L−H−J−P=0.5 s。

在这里插入图片描述

图 5|租期需要覆盖设计范围内的延迟,也会影响失联后的发现时间。

这只是有界假设下的预算。如果客户端暂停无限久,任何有限租期都会到期;如果网络抖动没有可靠上界,也不能把这 0.5 s 当作保证。租期过短会频繁误判失联,过长会延迟进入停止处理。真实参数应依据调度、网络和任务需求选择,并监测续租失败原因。

公平性又是另一个维度。允许当前持有者无限续租,短任务可能长期得不到资源;强制频繁抢占,则会让动作不断中断。可以设置等待队列、优先级、最长连续占用或在安全步骤边界让出,但不能为了调度公平直接跳过停止确认。策略决定谁先申请,机制仍要保证何时可以移交。

6. 查询和取消必须指向自己的那次任务

同一客户端可能先后发起 T1、T2。若取消接口只说“取消当前动作”,迟到的 T1 清理逻辑可能误取消已经运行的 T2。身份至少需要保留调用者、任务和授权代次之间的关联。
在这里插入图片描述

图 6|调用者可以有多次任务,任务身份与授权代次分别限制不同范围。

教学代码特意让 A 用正确 token 却提交错误 task_id,得到 WRONG_OWNER_OR_TASK。它说明持有控制权仍不足以把一个结果或取消关联到任意任务。八界 SDK 的动作清理应定向处理自己持有的任务句柄,不能通过取消全部目标来弥补身份丢失。

结果同样要匹配。T1 的停止确认晚到,不能释放 T2 的资源;旧代次的成功响应不能推进新任务。可以把授权视为“当前允许谁写”,任务视为“这次执行属于谁”,观测视为“已经发生了什么”,分别检查后再组织业务。

一个进程退出时也不能无条件释放所有锁。对于普通内存互斥量,线程退出后的清理主要涉及数据结构;对于机器人资源,还涉及已经下发的动作。局部对象析构不是执行端停止证据,这正是资源管理不能只套语言 RAII 表面形式的原因。

7. 移交需要一个可解释的停止确认

基础模型要求停止确认覆盖原租约完整资源集合:

def confirm_stopped(self, token, resources):
    # Represents a trusted resource-side confirmation, not a client assertion.
    lease = self.leases.get(token)
    if not lease or lease.phase != "STOPPING" or frozenset(resources) != lease.resources:
        return False
    del self.leases[token]
    return True

A 同时占用 arm 与 base,只确认 arm 不会释放租约;完整确认以后 B 才获得新代次。这里的确认来自受信任执行侧,不接受客户端随意说“我已经停了”。真实接口还要说明停止标准,例如哪些控制器已终止、哪些状态达到要求,以及证据对应哪个任务与代次。
在这里插入图片描述

图 7|新授权建立在与旧任务匹配的完整停止确认之后。

停止处理期间若继续接受新的写入,即使它使用原有效 token,也可能使停止目标不断变化。因此示例让 STOPPING 同时拒绝写入与移交。若确实需要特殊恢复命令,应作为另外经过授权的管理路径定义,不能让普通写入口用一个标志绕过全部判断。

对持物中的八界,停止与释放夹爪也不是一回事。停止可能要求保持当前位置和抓持状态;主动松开会产生新的物理效果。资源管理负责保证任务不再冲突,具体恢复动作仍要依据持物与支撑条件选择。

8. 授权公布以前,资源端必须已经安装新规则

前面的仲裁器把分配与资源表更新放在同一个进程,容易掩盖网络上的顺序问题。资源入口实验把 Grant 与 ResourceGate 拆开:Grant 包含 epoch、generation、owner,入口使用锁保护当前授权与写入检查。

def install(self, grant, stopped):
    with self.lock:
        if not stopped:
            raise ValueError("STOP_NOT_CONFIRMED")
        self.current, self.stopping = grant, False

安装要求停止已确认。随后写入必须与当前完整 Grant 相同:

def write(self, grant, command):
    with self.lock:
        if self.stopping:
            return "STOPPING"
        if grant != self.current:
            return "STALE_AUTHORITY"
        self.writes.append(command)
        return "ACCEPTED"

坏路径先告诉 B 已获授权,却还没有更新资源端;A 的旧命令此时仍被接受。正确路径先安装新授权并获得确认,再向 B 公布,A 立即得到 STALE_AUTHORITY,B 才能写入。
在这里插入图片描述

图 8|先公布后安装存在空窗,资源端安装完成后才能把新授权交给客户端。

若安装确认丢失,授权服务也不能猜测成功后直接开放,应查询或以同一身份重试安装。这又回到上一篇的分布式结果问题。完整实现还需要保护安装接口本身,示例明确假设更新来自可信权威,不把 Grant 数据类当作密码学认证机制。

如果授权服务重启后丢失占用记录,不能简单认为所有资源空闲。资源端可能仍持有旧代次,也可能仍在执行旧任务。恢复需要先确认权威身份和资源事实,再重建分配;如果无法确认,就应拒绝冲突写入并暴露恢复状态。这是可用性与未知效果之间的明确选择,不能通过把 token 清零来解决。

若进一步部署多个授权实例,还会出现谁有权发新代次的问题。本例没有实现选主或共识;两个实例各自递增整数不能形成统一顺序。资源端需要只接受当前可信权威的安装,或者由具备一致性保证的机制管理代次。将本地锁换成网络请求不会自动得到这个性质。

重启以后,整数大小也不一定代表新旧。实验将 boot-A 的 generation 42 与 boot-B 的 generation 1 区分开,安装新 epoch 后拒绝旧 42。epoch 必须由权威管理,资源端不能相信任意客户端自报“我来自更新的一代”。

移交的可观测信息也应按阶段保留:旧任务是谁、何时进入停止、哪些资源尚未确认、新授权是否已在每个入口安装。若只显示“获取控制权超时”,用户无法区分正在等待正常动作结束,还是某个资源停止失败。清楚的阶段信息还能防止应用反复申请,把同一次移交制造成多次竞争。

最后,实验给 Plus 入口和旁路入口各放一份独立授权:旧命令在受保护入口被拒绝,在旁路仍被接受。它揭示了控制机制真正的边界——所有会产生冲突效果的路径是否共同执行同一规则,比令牌名字是否高级更重要。

代码导读按资源分配、到期、写入、停止和安装顺序阅读。下一篇把有身份、有控制范围的能力组合成可恢复任务,继续讨论业务在中断以后怎样决定从哪一步开始。

参考链接

[1] Hazelcast 5.7:FencedLock。

Logo

DAMO开发者矩阵,由阿里巴巴达摩院和中国互联网协会联合发起,致力于探讨最前沿的技术趋势与应用成果,搭建高质量的交流与分享平台,推动技术创新与产业应用链接,围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐