🤖 AI

VILAS: A VLA-Integrated Low-cost Architecture with Soft Grasping for Robotic Manipulation

El artículo presenta VILAS, una plataforma robótica modular de bajo costo que incorpora una pinza blanda basada en kirigami y un marco de comunicación unificado, y que demuestra con éxito el entrenamiento y despliegue de modelos de visión, lenguaje y acción de última generación para la manipulación segura y de extremo a extremo de objetos frágiles como las uvas.

Autores originales: Zijian An (Luna), Hadi Khezam (Luna), Bill Cai (Luna), Ran Yang (Luna), Shijie Geng (Luna), Yiming Feng (Luna), Yue (Luna), Zheng, Lifeng Zhou

Publicado 2026-05-06

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Zijian An (Luna), Hadi Khezam (Luna), Bill Cai (Luna), Ran Yang (Luna), Shijie Geng (Luna), Yiming Feng (Luna), Yue (Luna), Zheng, Lifeng Zhou

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que quieres enseñar a un robot a recoger fruta delicada, como uvas, sin aplastarlas. Por lo general, construir un robot lo suficientemente inteligente para hacer esto cuesta una fortuna —piensa en decenas de miles de dólares— y requiere sensores complejos y costosos para "sentir" qué tan fuerte está apretando.

Los autores de este artículo, VILAS, decidieron construir una versión más barata, inteligente y accesible. Crearon una plataforma robótica de "bajo costo" que puede aprender a realizar estas tareas utilizando un nuevo tipo de IA llamada modelo VLA (Visión-Lenguaje-Acción). Piensa en un VLA como un cerebro robótico que puede "ver" el mundo, "leer" una instrucción simple (como "recoge la uva") e inmediatamente determinar cómo mover su brazo para hacerlo, todo en un solo paso.

Aquí tienes un desglose de cómo lo construyeron y qué descubrieron, usando analogías simples:

1. El Cuerpo del Robot: El Atleta "Económico"

En lugar de comprar un robot de investigación de 33.000 dólares (como el famoso sistema ALOHA), construyeron el suyo propio utilizando componentes comerciales que costaron un total de aproximadamente 8.000 dólares.

El Brazo: Utilizaron un Fairino FR5, un brazo robótico colaborativo. Piensa en esto como un brazo industrial confiable, suave y preciso, pero mucho más barato que los personalizados que suelen usarse en laboratorios.
La Mano: Utilizaron una pinza eléctrica estándar (la Jodell RG52-50), que es como una mano mecánica básica que puede abrirse y cerrarse.
Los Ojos: Adjuntaron dos cámaras: una mirando hacia abajo desde arriba (la "vista de dron") y otra en la muñeca (la "vista de primer plano") para ver exactamente qué está tocando la mano.

2. El Secreto: El Guante Suave de "Origami"

El mayor desafío es recoger cosas frágiles sin aplastarlas. Por lo general, necesitas sensores costosos para medir la fuerza. VILAS no usó esos. En su lugar, diseñaron una extensión suave y adaptable fabricada utilizando una técnica llamada Kirigami.

La Analogía: Imagina tomar una hoja de papel plana y cortar patrones específicos en ella (como una plantilla). Cuando aprietas esta hoja, no se arruga simplemente; se pliega y curva naturalmente en una forma 3D, como una flor que florece o una concha que se forma.
Cómo funciona: Imprimieron en 3D esta "cáscara de Kirigami" y la adjuntaron a la pinza dura del robot. Cuando el robot cierra su mano, esta cáscara suave se aplasta y se envuelve suavemente alrededor de la uva. Actúa como una red de seguridad pasiva: el material mismo absorbe la presión, asegurando que la uva no sea aplastada, incluso si el robot no tiene un sensor de "tacto". Es como llevar un guante grueso y suave que protege tu mano sin que tengas que pensar en qué tan fuerte estás apretando.

3. El Cerebro: Enseñando al Robot con "Teleoperación"

Para enseñar al robot, no escribieron código complejo. En su lugar, utilizaron un sistema de teleoperación.

La Analogía: Imagina a un humano usando un guante "maestro" (un brazo impreso en 3D de bajo costo llamado GELLO). Cuando el humano mueve su mano, el robot (el "seguidor") copia el movimiento instantáneamente.
El humano recoge uvas y las pone en una caja 100 veces. El robot registra cada movimiento, cada ángulo de cámara y el comando de voz ("Recoge la uva"). Esto crea un "libro de texto" de 100 demostraciones.
Luego tomaron tres cerebros de IA diferentes y de vanguardia ( $\pi_0$ , $\pi_0.5$ y GR00T N1.6) y los "ajustaron finamente" utilizando este libro de texto. No enseñaron a la IA desde cero; simplemente le mostraron sus ejemplos específicos para que pudiera aprender la tarea.

4. Los Resultados: ¿Quién Ganó el Juego de las Uvas?

Probaron los tres modelos de IA en una tarea: recoger tres uvas seguidas y ponerlas en una caja.

El Campeón "Un Solo Intento" ( $\pi_0.5$ ): Este modelo fue el mejor recogiendo una sola uva con éxito (84% de tasa de éxito). Fue muy bueno en el primer intento.
El Campeón "Maratón" (GR00T N1.6): Este modelo fue el mejor en toda la secuencia. Aunque fue ligeramente menos perfecto en la primera recogida (82%), fue mucho mejor en seguir adelante. Recogió con éxito dos uvas seguidas el 58% de las veces, mientras que los demás soltaron la uva después del primer intento.
El Problema de la "Tartamudez": Los otros modelos tendían a confundirse después de la primera uva. Volvían al mismo lugar del que acababan de recoger, o dejaban caer la uva porque sus instrucciones de "agarre" se volvían inestables. El modelo GR00T se mantuvo enfocado y no repitió sus errores tan a menudo.

5. La "Magia" de la Generalización

Para ver si los robots eran realmente inteligentes o solo habían memorizado la uva, cambiaron las uvas por cerezas (que se ven diferentes: más pequeñas, más rojas y más lisas). No reentrenaron a los robots; simplemente cambiaron el comando de voz.

El Resultado: Los tres modelos aún podían recoger las cerezas razonablemente bien. Esto demuestra que los robots aprendieron el concepto de "agarrar un objeto pequeño y redondo" en lugar de simplemente memorizar la apariencia exacta de una uva.

Resumen

El artículo demuestra que no necesitas un laboratorio de un millón de dólares para construir un robot que pueda aprender tareas delicadas. Al combinar un brazo industrial barato, un guante suave de "origami" impreso en 3D y modelos de IA modernos, crearon un sistema que puede aprender a recoger fruta frágil. Muestra que con el diseño mecánico "suave" adecuado e IA inteligente, los robots de bajo costo pueden realizar trabajos de alta precisión.

Resumen Técnico: VILAS – Una Arquitectura de Bajo Costo Integrada con VLA y Agarre Suave para Manipulación Robótica

Enunciado del Problema
La manipulación robótica de objetos frágiles, como productos agrícolas frescos, presenta desafíos significativos debido a la baja tolerancia de estos artículos a fuerzas de contacto excesivas. Los enfoques tradicionales suelen depender de sensores de fuerza-par multieje costosos, arrays táctiles o sistemas especializados de control de impedancia, lo que incrementa los costos de hardware y la complejidad del sistema. Además, aunque los avances recientes en modelos Visión-Lenguaje-Acción (VLA) ofrecen un paradigma unificado para el control robótico de extremo a extremo, el entrenamiento y despliegue de estos modelos generalmente requieren ecosistemas robóticos propietarios de alto costo (por ejemplo, sistemas ALOHA con un costo de ~33.000 $). Esto crea una barrera financiera sustancial para los investigadores que buscan desarrollar y experimentar con sistemas de manipulación basados en aprendizaje en hardware accesible.

Metodología
Los autores presentan VILAS, una plataforma de manipulación robótica completamente de bajo costo y modular diseñada para soportar el flujo de trabajo VLA completo: desde la recopilación de datos basada en teleoperación hasta el ajuste fino de políticas y el despliegue en tiempo real.

Arquitectura de Hardware: El sistema integra tres componentes principales:
- Manipulador: Un brazo colaborativo Fairino FR5 (grado industrial, motores de corriente continua sin escobillas) elegido por su suavidad de movimiento y precisión, con un costo de ~4.000 $.
- Efector Final: Una pinza eléctrica paralela Jodell RG52-50 (~1.500 $) aumentada con una extensión suave y compliante personalizada basada en kirigami. Esta extensión, fabricada en PEBA mediante impresión 3D FDM, induce una deformación predecible bajo carga compresiva. Proporciona compliancia mecánica pasiva para absorber variaciones en la fuerza de contacto, permitiendo el agarre seguro de objetos frágiles sin detección explícita de fuerza.
- Percepción: Una configuración de doble cámara que comprende una RealSense D455 montada en la base (vista del espacio de trabajo global) y una RealSense D405 montada en la muñeca (vista de interacción de corto alcance), con un total de ~1.000 $.
- Teleoperación: Un brazo líder GELLO (~500 $) construido con piezas impresas en 3D y servos Dynamixel, que proporciona un control cinemáticamente equivalente para la recopilación de datos.
- Costo Total: La plataforma completa cuesta aproximadamente 8.000 $, significativamente menos que los sistemas de investigación comparables.
Software y Control: El sistema utiliza una arquitectura de comunicación basada en ZMQ para coordinar el cliente de teleoperación, el registrador de datos y los actuadores del robot. Durante el despliegue, el bucle de control se ejecuta a 20 Hz. El sistema emplea una estrategia de fragmentación de acciones (action chunking) donde una sola inferencia del modelo genera una secuencia de acciones (50 pasos para $\pi_0$ / $\pi_{0.5}$ , 16 pasos para GR00T N1.6), desacoplando el control de alta frecuencia de la inferencia del modelo de menor frecuencia.
Evaluación VLA: Los autores ajustaron finamente y evaluaron tres modelos VLA de última generación: $\pi_0$ , $\pi_{0.5}$ y GR00T N1.6 en la plataforma VILAS. Todos los modelos se inicializaron a partir de puntos de control preentrenados publicados públicamente y se ajustaron finamente en un conjunto de datos idéntico de 100 episodios de demostración recopilados mediante el flujo de trabajo de teleoperación de VILAS.

Contribuciones Clave

Diseño del Sistema: La implementación de VILAS, una plataforma robótica totalmente integrada y de bajo costo que soporta el flujo de trabajo VLA de extremo a extremo utilizando componentes modulares y asequibles.
Innovación en Pinza Suave: El diseño de una extensión suave basada en kirigami y mecánicamente compliante que facilita la manipulación segura de objetos frágiles sin depender de sensores de fuerza costosos ni estrategias complejas de control de fuerza.
Evaluación Empírica: El despliegue y la evaluación comparativa de tres modelos VLA distintos ( $\pi_0$ , $\pi_{0.5}$ , GR00T N1.6) en hardware de bajo costo y datos de demostración idénticos, proporcionando perspectivas prácticas sobre sus características de despliegue.

Resultados
Se realizaron experimentos en una tarea de agarre de uvas (recoger 3 uvas y colocarlas en una caja) y una prueba de generalización en cerezas.

Éxito en Agarre Único: $\pi_{0.5}$ logró la tasa de éxito más alta en agarre único (84%), seguido por GR00T N1.6 (82%) y $\pi_0$ (70%).
Éxito en Múltiples Agarre: GR00T N1.6 demostró una consistencia superior en tareas secuenciales, logrando una tasa de éxito del 58% para completar al menos dos agarres consecutivos. Esto superó significativamente a $\pi_{0.5}$ (36%) y $\pi_0$ (22%).
Latencia de Inferencia: GR00T N1.6 exhibió la latencia media de inferencia más baja (63,6 ms), aunque su costo por paso fue mayor debido a un horizonte de acción más corto (16 pasos frente a 50 pasos).
Generalización: Todos los modelos demostraron un rendimiento razonable en cerezas sin ajuste fino adicional, lo que indica que las políticas aprendidas capturan primitivas de manipulación que se generalizan a través de objetos visualmente distintos.
Modos de Fallo: El análisis reveló que $\pi_0$ y $\pi_{0.5}$ tuvieron dificultades con las actualizaciones de atención espacial (revisitar la misma ubicación) y la consistencia en la activación de la pinza. GR00T N1.6 mostró mejor consistencia pero exhibió un sesgo espacial hacia la búsqueda cerca de las ubicaciones de agarre anteriores.

Significado
El artículo afirma que VILAS valida la viabilidad de entrenar y desplegar políticas de manipulación capaces en hardware modular de bajo costo. Al demostrar que los modelos VLA de última generación pueden ajustarse finamente y desplegarse eficazmente en una plataforma de ~8.000 $, el trabajo reduce la barrera financiera para la investigación en manipulación robótica. Los resultados confirman que, con un diseño mecánico adecuado (pinzas suaves complacientes) y una integración del sistema, la manipulación de alto rendimiento basada en VLA es accesible sin depender de ecosistemas propietarios costosos ni de detección explícita de fuerza. Los autores posicionan a VILAS como un banco de pruebas reproducible y accesible para futuras evaluaciones VLA en hardware real.