🤖 AI

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

L'article présente VILAS, une plateforme robotique modulaire à faible coût dotée d'une pince souple basée sur le kirigami et d'un cadre de communication unifié, qui démontre avec succès l'entraînement et le déploiement de modèles d'action-vision-langage de pointe pour la manipulation sûre et de bout en bout d'objets fragiles tels que les raisins.

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

Publié 2026-05-06

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

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

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous voulez enseigner à un robot comment saisir des fruits délicats, comme des raisins, sans les écraser. Habituellement, construire un robot assez intelligent pour accomplir cela coûte une fortune — pensez à des dizaines de milliers de dollars — et nécessite des capteurs complexes et coûteux pour « sentir » la force de la pression exercée.

Les auteurs de cet article, VILAS, ont décidé de construire une version moins chère, plus intelligente et plus accessible. Ils ont créé une plateforme robotique « à faible coût » capable d'apprendre à accomplir ces tâches grâce à un nouveau type d'intelligence artificielle appelé modèle VLA (Vision-Language-Action). Imaginez un VLA comme un cerveau robotique qui peut « voir » le monde, « lire » une instruction simple (comme « saisir le raisin ») et déterminer immédiatement comment déplacer son bras pour le faire, le tout en une seule étape.

Voici une décomposition de leur méthode de construction et de leurs découvertes, en utilisant des analogies simples :

1. Le corps du robot : L'athlète « économique »

Au lieu d'acheter un robot de recherche à 33 000 dollars (comme le célèbre système ALOHA), ils en ont construit un eux-mêmes en utilisant des composants disponibles dans le commerce, pour un coût total d'environ 8 000 dollars.

Le bras : Ils ont utilisé un Fairino FR5, un bras robotique collaboratif. Imaginez cela comme un bras industriel fiable, précis et fluide, mais beaucoup moins cher que les modèles personnalisés habituellement utilisés dans les laboratoires.
La main : Ils ont utilisé une pince électrique standard (Jodell RG52-50), comparable à une main mécanique basique capable de s'ouvrir et de se fermer.
Les yeux : Ils ont fixé deux caméras : l'une regardant vers le bas depuis le dessus (la « vue drone ») et l'autre sur le poignet (la « vue rapprochée ») pour voir exactement ce que la main touche.

2. L'ingrédient secret : Le gant souple « origami »

Le plus grand défi consiste à saisir des objets fragiles sans les écraser. Habituellement, il faut des capteurs coûteux pour mesurer la force. VILAS n'a pas utilisé ceux-ci. À la place, ils ont conçu une extension souple et déformable réalisée grâce à une technique appelée Kirigami.

L'analogie : Imaginez prendre une feuille de papier plate et y découper des motifs spécifiques (comme un pochoir). Lorsque vous serrez cette feuille, elle ne se froisse pas simplement ; elle se plie et se courbe naturellement pour former une forme 3D, comme une fleur qui s'épanouit ou une coquille qui se forme.
Fonctionnement : Ils ont imprimé en 3D cette « coquille Kirigami » et l'ont fixée à la pince rigide du robot. Lorsque le robot ferme sa main, cette coquille souple s'écrase et s'enroule doucement autour du raisin. Elle agit comme un filet de sécurité passif : le matériau lui-même absorbe la pression, garantissant que le raisin n'est pas écrasé, même si le robot ne possède pas de capteur de « toucher ». C'est comme porter un gant épais et doux qui protège votre main sans que vous ayez à réfléchir à la force de votre serrage.

3. Le cerveau : Enseigner au robot par « téléopération »

Pour enseigner au robot, ils n'ont pas écrit de code complexe. À la place, ils ont utilisé un système de téléopération.

L'analogie : Imaginez un humain portant un gant « maître » (un bras imprimé en 3D à faible coût appelé GELLO). Lorsque l'humain bouge sa main, le robot (le « suiveur ») copie le mouvement instantanément.
L'humain saisit des raisins et les place dans une boîte 100 fois. Le robot enregistre chaque mouvement, chaque angle de caméra et la commande vocale (« Saisis le raisin »). Cela crée un « manuel » de 100 démonstrations.
Ils ont ensuite pris trois cerveaux d'IA différents et de pointe ( $\pi_0$ , $\pi_0.5$ et GR00T N1.6) et les ont « affinés » en utilisant ce manuel. Ils n'ont pas enseigné l'IA à partir de zéro ; ils lui ont simplement montré leurs exemples spécifiques afin qu'elle puisse apprendre la tâche.

4. Les résultats : Qui a gagné le jeu du raisin ?

Ils ont testé les trois modèles d'IA sur une tâche : saisir trois raisins à la suite et les placer dans une boîte.

Le champion « One-Shot » ( $\pi_0.5$ ) : Ce modèle était le meilleur pour saisir un seul raisin avec succès (84 % de taux de réussite). Il était très performant dès la première tentative.
Le champion « Marathon » (GR00T N1.6) : Ce modèle était le meilleur pour l'ensemble de la séquence. Bien qu'il ait été légèrement moins parfait sur la toute première saisie (82 %), il était bien meilleur pour continuer. Il a réussi à saisir deux raisins à la suite 58 % du temps, alors que les autres lâchaient prise après la première tentative.
Le problème de « bégaiement » : Les autres modèles avaient tendance à se confondre après le premier raisin. Ils retournaient au même endroit où ils venaient de saisir, ou lâchaient le raisin parce que leurs instructions de « prise » devenaient instables. Le modèle GR00T restait concentré et ne répétait pas ses erreurs aussi souvent.

5. La « magie » de la généralisation

Pour vérifier si les robots étaient vraiment intelligents ou s'ils avaient simplement mémorisé le raisin, ils ont remplacé les raisins par des cerises (qui ont un aspect différent : plus petites, plus rouges et plus lisses). Ils n'ont pas réentraîné les robots ; ils ont simplement changé la commande vocale.

Le résultat : Les trois modèles ont toujours pu saisir les cerises de manière raisonnablement bonne. Cela prouve que les robots ont appris le concept de « saisir un petit objet rond » plutôt que de simplement mémoriser l'apparence exacte d'un raisin.

Résumé

L'article prouve que vous n'avez pas besoin d'un laboratoire d'un million de dollars pour construire un robot capable d'apprendre des tâches délicates. En combinant un bras industriel peu coûteux, un gant souple « origami » imprimé en 3D et des modèles d'IA modernes, ils ont créé un système capable d'apprendre à saisir des fruits fragiles. Cela montre qu'avec la bonne conception mécanique « souple » et une IA intelligente, des robots à faible coût peuvent accomplir des travaux de haute précision.

Résumé Technique : VILAS – Une Architecture Intégrée VLA à Bas Coût avec Saisie Souple pour la Manipulation Robotique

Énoncé du Problème
La manipulation robotique d'objets fragiles, tels que les produits agricoles frais, présente des défis majeurs en raison de la faible tolérance de ces articles aux forces de contact excessives. Les approches traditionnelles reposent souvent sur des capteurs de force-couple multi-axes coûteux, des réseaux tactiles ou des systèmes de contrôle d'impédance spécialisés, ce qui augmente les coûts matériels et la complexité du système. De plus, bien que les récentes avancées des modèles Vision-Language-Action (VLA) offrent un paradigme unifié pour le contrôle robotique de bout en bout, l'entraînement et le déploiement de ces modèles nécessitent généralement des écosystèmes robotiques propriétaires à haut coût (par exemple, des systèmes ALOHA coûtant environ 33 000 $). Cela crée une barrière financière substantielle pour les chercheurs visant à développer et expérimenter des systèmes de manipulation basés sur l'apprentissage sur du matériel accessible.

Méthodologie
Les auteurs présentent VILAS, une plateforme de manipulation robotique entièrement modulaire et à bas coût, conçue pour prendre en charge l'ensemble du flux de travail VLA — de la collecte de données par téléopération au réglage fin des politiques et au déploiement en temps réel.

Architecture Matérielle : Le système intègre trois composants principaux :
- Manipulateur : Un bras collaboratif Fairino FR5 (moteurs à courant continu sans balais de qualité industrielle) choisi pour sa fluidité de mouvement et sa précision, à un coût d'environ 4 000 $.
- Effecteur Terminal : Une pince électrique parallèle Jodell RG52-50 (~1 500 $) augmentée d'une extension souple et conforme personnalisée basée sur le kirigami. Cette extension, fabriquée en PEBA par impression 3D FDM, induit une déformation prévisible sous charge de compression. Elle fournit une conformité mécanique passive pour absorber les variations de force de contact, permettant une saisie sûre d'objets fragiles sans détection explicite de force.
- Perception : Une configuration à double caméra comprenant une RealSense D455 montée à la base (vue de l'espace de travail global) et une RealSense D405 montée au poignet (vue d'interaction à courte portée), pour un total d'environ 1 000 $.
- Téléopération : Un bras leader GELLO (~500 $) construit à partir de pièces imprimées en 3D et de servomoteurs Dynamixel, fournissant un contrôle cinématiquement équivalent pour la collecte de données.
- Coût Total : La plateforme complète coûte environ 8 000 $, nettement moins que les systèmes de recherche comparables.
Logiciel et Contrôle : Le système utilise une architecture de communication basée sur ZMQ pour coordonner le client de téléopération, l'enregistreur de données et les actionneurs du robot. Lors du déploiement, la boucle de contrôle s'exécute à 20 Hz. Le système emploie une stratégie de regroupement d'actions (action chunking) où une seule inférence du modèle génère une séquence d'actions (50 étapes pour $\pi_0$ / $\pi_{0.5}$ , 16 étapes pour GR00T N1.6), découplant le contrôle haute fréquence de l'inférence du modèle à fréquence plus basse.
Évaluation VLA : Les auteurs ont affiné et évalué trois modèles VLA de pointe — $\pi_0$ , $\pi_{0.5}$ et GR00T N1.6 — sur la plateforme VILAS. Tous les modèles ont été initialisés à partir de points de contrôle pré-entraînés publiés publiquement et affinés sur un jeu de données identique de 100 épisodes de démonstration collectés via le pipeline de téléopération VILAS.

Contributions Clés

Conception du Système : La mise en œuvre de VILAS, une plateforme robotique entièrement intégrée et à bas coût qui prend en charge le flux de travail VLA de bout en bout en utilisant des composants modulaires et abordables.
Innovation de la Pince Souple : La conception d'une extension souple conforme basée sur le kirigami qui facilite la manipulation sûre d'objets fragiles sans dépendre de capteurs de force coûteux ou de stratégies de contrôle de force complexes.
Évaluation Empirique : Le déploiement et l'évaluation comparative de trois modèles VLA distincts ( $\pi_0$ , $\pi_{0.5}$ , GR00T N1.6) sur un matériel à bas coût et des données de démonstration identiques, fournissant des perspectives pratiques sur leurs caractéristiques de déploiement.

Résultats
Des expériences ont été menées sur une tâche de saisie de raisin (cueillette de 3 raisins et dépôt dans une boîte) et un test de généralisation sur des cerises.

Succès de Saisie Unique : $\pi_{0.5}$ a obtenu le taux de réussite le plus élevé pour une saisie unique (84 %), suivi de GR00T N1.6 (82 %) et de $\pi_0$ (70 %).
Succès de Saisie Multiple : GR00T N1.6 a démontré une cohérence supérieure dans les tâches séquentielles, atteignant un taux de réussite de 58 % pour accomplir au moins deux saisies consécutives. Cela surpasse significativement $\pi_{0.5}$ (36 %) et $\pi_0$ (22 %).
Latence d'Inférence : GR00T N1.6 a présenté la latence moyenne d'inférence la plus faible (63,6 ms), bien que son coût par étape ait été plus élevé en raison d'un horizon d'action plus court (16 étapes contre 50 étapes).
Généralisation : Tous les modèles ont démontré des performances raisonnables sur les cerises sans réglage fin supplémentaire, indiquant que les politiques apprises capturent des primitives de manipulation qui se généralisent à travers des objets visuellement distincts.
Modes de Défaillance : L'analyse a révélé que $\pi_0$ et $\pi_{0.5}$ avaient des difficultés avec les mises à jour de l'attention spatiale (révision du même emplacement) et la cohérence de l'actionnement de la pince. GR00T N1.6 a montré une meilleure cohérence mais présentait un biais spatial vers la recherche à proximité des emplacements de saisie précédents.

Signification
L'article affirme que VILAS valide la faisabilité de l'entraînement et du déploiement de politiques de manipulation capables sur du matériel modulaire à bas coût. En démontrant que des modèles VLA de pointe peuvent être efficacement affinés et déployés sur une plateforme d'environ 8 000 $, ce travail abaisse la barrière financière pour la recherche en manipulation robotique. Les résultats confirment que, grâce à une conception mécanique appropriée (pinces souples conformes) et une intégration système, une manipulation haute performance basée sur VLA est accessible sans dépendre d'écosystèmes propriétaires coûteux ou d'une détection explicite de force. Les auteurs positionnent VILAS comme un banc d'essai reproductible et accessible pour l'évaluation future des VLA sur du matériel réel.