保姆级教程：用AutoDL租4090显卡，在PyCharm里远程复现具身智能论文PAI0（附完整避坑清单）
零基础实战：AutoDL+PyCharm复现PAI0具身智能论文全流程指南
第一次接触云端GPU服务器和远程开发？别担心，这篇教程会手把手带你用AutoDL租用4090显卡，并通过PyCharm实现无缝远程开发，完整复现具身智能领域的前沿论文PAI0。我们将从最基础的服务器租赁开始，到最终模型推理视频生成，覆盖每一个可能踩坑的细节。
1. 环境准备与AutoDL服务器配置
1.1 选择适合的AutoDL实例
在AutoDL官网租用实例时，建议选择以下配置：
- 镜像：Ubuntu 22.04 with PyTorch 2.8.0
- Python版本：3.12
- GPU：RTX 4090 (24GB显存)
- CUDA版本：12.8
注意：虽然4090价格较高，但对于PAI0这类大模型，显存不足会导致训练中断，反而浪费更多租赁时间。
登录AutoDL控制台后，按照以下步骤操作：
- 点击"创建实例"
- 在搜索框输入"PyTorch 2.8.0"
- 选择带有Ubuntu 22.04标签的镜像
- 在GPU类型中选择"RTX 4090"
- 设置合适的租赁时长（建议至少4小时）
1.2 初始化服务器环境
实例创建完成后，首先需要更新系统包并安装基础工具：
sudo apt update && sudo apt upgrade -y sudo apt install -y git wget curl unzip检查GPU驱动是否正常：
nvidia-smi正常输出应显示4090显卡信息，类似如下：
+---------------------------------------------------------------------------------------+ | NVIDIA-SMI 535.54.03 Driver Version: 535.54.03 CUDA Version: 12.2 | |-----------------------------------------+----------------------+----------------------+ | GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. | | | | | |=========================================+======================+======================| | 0 NVIDIA GeForce RTX 4090 On | 00000000:01:00.0 Off | Off | | 0% 38C P8 22W / 450W | 0MiB / 24576MiB | 0% Default | | | | | +-----------------------------------------+----------------------+----------------------+2. PyCharm远程开发环境搭建
2.1 配置SSH远程解释器
在本地PyCharm中打开或创建新项目
进入
File > Settings > Python Interpreter点击齿轮图标选择
Add Interpreter > On SSH输入AutoDL提供的SSH连接信息：
- Host：
region-xx.autodl.com - Port：
22 - Username：
root - Password：
AutoDL控制台显示的密码
- Host：
在
Interpreter路径设置为/usr/bin/python3勾选
Sync folders，将本地项目目录映射到服务器的/root/workspace
提示：首次连接会提示保存主机密钥，选择"是"继续。如果连接失败，检查AutoDL控制台的"SSH登录"选项卡确认端口和密码是否正确。
2.2 验证远程连接
连接成功后，在PyCharm的终端(Terminal)中执行：
ls /root/workspace应该能看到本地项目的文件列表。创建一个测试文件验证Python环境：
# test_connection.py import torch print(f"PyTorch版本: {torch.__version__}") print(f"CUDA可用: {torch.cuda.is_available()}") print(f"GPU名称: {torch.cuda.get_device_name(0)}")运行后预期输出：
PyTorch版本: 2.8.0 CUDA可用: True GPU名称: NVIDIA GeForce RTX 40903. 项目部署与UV环境配置
3.1 克隆项目源码
绝对不要使用GitHub的"Download ZIP"选项，这会导致子模块缺失。正确的做法是在PyCharm终端执行：
git clone --recurse-submodules https://github.com/Physical-Intelligence/openpi.git cd openpi如果已经错误使用了ZIP下载，补救措施是：
git submodule update --init --recursive3.2 安装UV包管理器
UV是PAI0项目推荐的轻量级Python包管理器，比pip更高效。安装步骤如下：
export UV_DEFAULT_INDEX="https://mirrors.aliyun.com/pypi/simple" wget -qO- https://astral.sh/uv/install.sh | sh echo 'eval "$(uv generate-shell-completion bash)"' >> ~/.bashrc source ~/.bashrc验证安装：
uv --version预期输出类似：uv 0.1.0
3.3 同步项目依赖
在项目根目录执行：
GIT_LFS_SKIP_SMUDGE=1 uv sync GIT_LFS_SKIP_SMUDGE=1 uv pip install -e .常见问题解决：
- 错误：
Could not find a version that satisfies the requirement检查UV的索引源是否正确设置为阿里云镜像 - 错误：
CUDA version mismatch确认AutoDL实例的CUDA版本与PyTorch版本兼容
4. 模型下载与服务部署
4.1 下载预训练模型
创建下载脚本src/download.py：
from openpi.training import config from openpi.policies import policy_config from openpi.shared import download model_name = "pi0_fast_droid" model_link = "gs://openpi-assets/checkpoints/pi0_fast_droid" config = config.get_config(model_name) checkpoint_dir = download.maybe_download(model_link) policy = policy_config.create_trained_policy(config, checkpoint_dir)设置HuggingFace镜像加速下载：
export HF_ENDPOINT="https://hf-mirror.com" export OPENPI_DATA_HOME="/root/autodl-tmp"执行下载：
uv run src/download.py下载进度可以通过以下命令监控：
ls -lh /root/autodl-tmp/.cache/openpi/openpi-assets/checkpoints/4.2 启动服务端
在项目根目录下执行：
export HF_ENDPOINT=https://hf-mirror.com uv run scripts/serve_policy.py --env LIBERO成功启动后，终端会显示：
INFO: Started server process [1234] INFO: Waiting for application startup. INFO: Application startup complete. INFO: Uvicorn running on http://0.0.0.0:80004.3 客户端配置与视频生成
新建一个终端窗口（保持服务端运行），执行：
uv venv --python 3.8 examples/libero/.venv source examples/libero/.venv/bin/activate安装客户端依赖（耗时较长）：
uv pip sync examples/libero/requirements.txt third_party/libero/requirements.txt \ --extra-index-url https://download.pytorch.org/whl/cu113 \ --index-strategy=unsafe-best-match安装图形库依赖（AutoDL等无界面服务器必需）：
sudo apt-get update && sudo apt-get install -y \ libgl1-mesa-glx libosmesa6-dev libglew-dev patchelf libegl1最后启动客户端：
export PYTHONPATH=$PYTHONPATH:$PWD/third_party/libero python examples/libero/main.py生成的视频默认保存在：
examples/libero/outputs/YYYY-MM-DD/HH-MM-SS/video.mp45. 常见问题排查手册
5.1 SSH连接问题
| 错误现象 | 可能原因 | 解决方案 |
|---|---|---|
| Connection refused | 端口错误/实例未运行 | 检查AutoDL控制台状态，确认SSH端口 |
| Permission denied | 密码错误 | 使用AutoDL控制台"重置密码"功能 |
| Host key verification failed | 已知主机列表冲突 | 执行ssh-keygen -R [hostname]清除旧记录 |
5.2 模型下载失败
如果uv run src/download.py卡住或报错，尝试：
检查网络连接：
ping hf-mirror.com手动下载模型（需Google Cloud账号）：
gsutil cp gs://openpi-assets/checkpoints/pi0_fast_droid /root/autodl-tmp/使用备用下载源（如有）
5.3 显存不足处理
如果遇到CUDA out of memory错误：
- 降低batch size：修改
serve_policy.py中的相关参数 - 使用更小模型：将
pi0_fast_droid替换为pi0_small - 监控显存使用：
watch -n 1 nvidia-smi
6. 效率优化技巧
6.1 利用AutoDL数据盘
AutoDL提供高速数据盘，适合存储大型模型：
# 将模型存储到数据盘 export OPENPI_DATA_HOME="/root/autodl-tmp"数据盘特点：
- 读写速度高于系统盘
- 实例关机后数据仍保留
- 不同实例间可共享
6.2 PyCharm远程调试配置
在PyCharm中设置断点调试：
- 进入
Run > Edit Configurations - 添加
Python Debug Server - 设置：
- Host：
0.0.0.0 - Port：
5678
- Host：
- 在远程服务器安装调试器：
uv pip install pydevd-pycharm~=231.9168.32
6.3 使用Tmux管理会话
避免SSH断开导致进程终止：
tmux new -s pai0 # 在tmux中启动服务 uv run scripts/serve_policy.py --env LIBERO # 断开tmux会话（保持后台运行） Ctrl+b d # 恢复会话 tmux attach -t pai0