🤖 AI

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

यह शोध पत्र VILAS प्रस्तुत करता है, जो एक किरिगामी-आधारित सॉफ्ट ग्रिपर और एक एकीकृत संचार ढांचे वाला एक कम लागत वाला, मॉड्यूलर रोबोटिक प्लेटफॉर्म है, जो अंगूर जैसी नाजुक वस्तुओं के सुरक्षित, एंड-टू-एंड हेरफेर के लिए अत्याधुनिक विजन-लैंग्वेज-एक्शन मॉडल्स के प्रशिक्षण और परिनियोजन को सफलतापूर्वक प्रदर्शित करता है।

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

प्रकाशित 2026-05-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

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

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को अंगूर जैसे नाजुक फल उठाने का तरीका सिखाना चाहते हैं, बिना उन्हें कुचले। आमतौर पर, एक रोबोट को इतना स्मार्ट बनाने के लिए बहुत पैसा खर्च होता है—सोचिए, दस-हजारों डॉलर—और इसके लिए जटिल, महंगे सेंसरों की आवश्यकता होती है जो यह "महसूस" कर सकें कि वह कितनी जोर से दबा रहा है।

इस शोध पत्र के लेखकों ने VILAS बनाया है, जो एक सस्ता, स्मार्ट और अधिक सुलभ संस्करण है। उन्होंने एक "कम लागत वाला" रोबोट प्लेटफॉर्म बनाया है जो एक नए प्रकार के AI जिसे VLA (Vision-Language-Action) मॉडल कहा जाता है, का उपयोग करके ये कार्य सीख सकता है। एक VLA को एक रोबोट के दिमाग के रूप में सोचें जो दुनिया को "देख" सकता है, एक सरल निर्देश (जैसे "अंगूर उठाओ") को "पढ़" सकता है, और तुरंत यह तय कर सकता है कि उसे करने के लिए अपने हाथ को कैसे हिलाना है, और यह सब एक ही बार में हो जाता है।

यहाँ बताया गया है कि उन्होंने इसे कैसे बनाया और उन्हें क्या मिला, सरल उपमाओं (analogies) का उपयोग करते हुए:

1. रोबोट का शरीर: एक "बजट-अनुकूल" एथलीट

एक $33,000 का रिसर्च रोबोट (जैसे प्रसिद्ध ALOHA सिस्टम) खरीदने के बजाय, उन्होंने साधारण पुर्जों का उपयोग करके अपना खुद का रोबोट बनाया जिसकी कुल लागत लगभग $8,000 थी।

हाथ (Arm): उन्होंने एक Fairino FR5 का उपयोग किया, जो एक कोलबोरेटिव रोबोट आर्म है। इसे एक भरोसेमंद, औद्योगिक-ग्रेड वाले हाथ के रूप में समझें जो सुचारू और सटीक है, लेकिन लैब में उपयोग किए जाने वाले कस्टम रोबोटों की तुलना में बहुत सस्ता है।
मुट्ठी (Hand): उन्होंने एक मानक इलेक्ट्रिक ग्रिपर (Jodell RG52-50) का उपयोग किया, जो एक बुनियादी मैकेनिकल हाथ की तरह है जो खुल और बंद हो सकता है।
आंखें: उन्होंने दो कैमरे लगाए: एक ऊपर से नीचे की ओर देखने के लिए ("ड्रोन व्यू") और एक कलाई पर ("क्लोज-अप व्यू") ताकि यह देखा जा सके कि हाथ वास्तव में क्या छू रहा है।

2. सफलता का रहस्य: "ओरिगामी" सॉफ्ट ग्लव

नाजुक चीजों को कुचले बिना उठाना सबसे बड़ी चुनौती है। आमतौर पर, बल (force) को मापने के लिए महंगे सेंसरों की आवश्यकता होती है। VILAS ने उनका उपयोग नहीं किया। इसके बजाय, उन्होंने Kirigami नामक तकनीक का उपयोग करके एक सॉफ्ट, कंप्लायंट एक्सटेंशन डिजाइन किया।

उपमा: कल्पना कीजिए कि आप कागज की एक सपाट शीट लेते हैं और उसमें विशिष्ट पैटर्न काटते हैं (जैसे एक स्टेंसिल)। जब आप इस शीट को दबाते हैं, तो यह केवल मुड़ती नहीं है; यह स्वाभाविक रूप से एक 3D आकार में मुड़ जाती है, जैसे कोई फूल खिल रहा हो या एक शेल बन रहा हो।
यह कैसे काम करता है: उन्होंने इस "किरिगामी शेल" को 3D प्रिंट किया और इसे रोबोट के सख्त ग्रिपर से जोड़ दिया। जब रोबोट अपना हाथ बंद करता है, तो यह सॉफ्ट शेल दब जाती है और अंगूर के चारों ओर धीरे से लिपट जाती है। यह एक पैसिव सेफ्टी नेट की तरह काम करता है: सामग्री स्वयं दबाव को सोख लेती है, जिससे यह सुनिश्चित होता है कि अंगूर कुचले नहीं, भले ही रोबोट के पास "महसूस" करने वाला सेंसर न हो। यह एक मोटे, नरम दस्ताने पहनने जैसा है जो आपके हाथ की रक्षा करता है, बिना इस बात पर विचार किए कि आप कितनी जोर से दबा रहे हैं।

3. दिमाग: "टेलीऑपरेशन" के माध्यम से रोबोट को सिखाना

रोबोट को सिखाने के लिए, उन्होंने जटिल कोड नहीं लिखा। इसके बजाय, उन्होंने एक टेलीऑपरेशन सिस्टम का उपयोग किया।

उपमा: कल्पना कीजिए कि एक इंसान एक "मास्टर" दस्ताना पहने हुए है (एक कम लागत वाला 3D-प्रिंटेड हाथ जिसे GELLO कहा जाता है)। जब इंसान अपना हाथ हिलाता है, तो रोबोट (जो "फॉलोअर" है) तुरंत उस गति की नकल करता है।
इंसान 100 बार अंगूर उठाता है और उन्हें एक बॉक्स में रखता है। रोबोट हर हरकत, हर कैमरा एंगल और वॉयस कमांड ("अंगूर उठाओ") को रिकॉर्ड करता है। इससे 100 प्रदर्शनों की एक "पाठ्यपुस्तक" (textbook) तैयार होती है।
इसके बाद उन्होंने तीन अलग-अलग, अत्याधुनिक AI दिमागों ( $\pi_0$ , $\pi_0.5$ , और GR00T N1.6) को लिया और इस पाठ्यपुस्तक का उपयोग करके उन्हें "फाइन-ट्यून" किया। उन्होंने AI को शुरुआत से नहीं सिखाया; उन्होंने बस उन्हें अपने विशिष्ट उदाहरण दिखाए ताकि वह इस कार्य को सीख सके।

4. परिणाम: अंगूर के खेल में कौन जीता?

उन्होंने तीन AI मॉडलों का परीक्षण एक कार्य पर किया: तीन अंगूरों को एक क्रम में उठाना और उन्हें एक बॉक्स में रखना।

"वन-शॉट" चैंपियन ( $\pi_0.5$ ): यह मॉडल एक एकल अंगूर को सफलतापूर्वक उठाने में सबसे अच्छा था (84% सफलता दर)। यह पहले प्रयास में बहुत अच्छा था।
"मैराथन" चैंपियन (GR00T N1.6): यह पूरे क्रम (sequence) को पूरा करने में सबसे अच्छा था। हालांकि यह पहले पिक (pick) पर थोड़ा कम परफेक्ट था (82%), लेकिन यह आगे बढ़ते रहने में बहुत बेहतर था। इसने दो अंगूरों को लगातार उठाने में 58% बार सफलता प्राप्त की, जबकि अन्य मॉडलों ने पहले प्रयास के बाद हाथ छोड़ दिया।
"स्टटर" (हकलाने) की समस्या: अन्य मॉडल पहले अंगूर के बाद भ्रमित होने लगे। वे वापस उसी स्थान पर जाने लगे जहाँ से उन्होंने अभी अंगूर उठाया था, या अंगूर गिरा देते थे क्योंकि उनके "ग्रिप" निर्देश अस्थिर हो जाते थे। GR00T मॉडल केंद्रित रहा और अपनी गलतियों को दोहराने की संभावना कम थी।

5. "मैजिक जनरलाइजेशन" (जादुई सामान्यीकरण)

यह देखने के लिए कि क्या रोबोट वास्तव में स्मार्ट थे या उन्होंने सिर्फ अंगूर को रट लिया था, उन्होंने अंगूरों को चेरी से बदल दिया (जो अलग दिखती हैं: छोटी, लाल और चिकनी)। उन्होंने रोबोट को फिर से प्रशिक्षित नहीं किया; उन्होंने बस वॉयस कमांड बदल दिया।

परिणाम: तीनों मॉडल अभी भी चेरी को ठीक से उठा सके। यह साबित करता है कि रोबोटों ने "एक छोटी गोल वस्तु को पकड़ने" की अवधारणा सीखी, न कि केवल अंगूर के सटीक रूप को याद किया।

सारांश

यह शोध पत्र सिद्ध करता है कि नाजुक कार्यों को सीखने के लिए आपको लाखों डॉलर की लैब की आवश्यकता नहीं है। एक सस्ते औद्योगिक हाथ, एक 3D-प्रिंटेड "ओरिगामी" सॉफ्ट ग्लव, और आधुनिक AI मॉडलों को जोड़कर, उन्होंने एक ऐसा सिस्टम बनाया है जो नाजुक फल उठाने के लिए सीख सकता है। यह दिखाता है कि सही "सॉफ्ट" मैकेनिकल डिजाइन और स्मार्ट AI के साथ, कम लागत वाले रोबोट उच्च-सटीक (high-precision) कार्य कर सकते हैं।

तकनीकी सारांश: VILAS – रोबोटिक मैनिपुलेशन के लिए सॉफ्ट ग्रैस्पिंग के साथ एक VLA-एकीकृत कम लागत वाला आर्किटेक्चर

समस्या विवरण
नाजुक वस्तुओं, जैसे कि ताजी कृषि उपज, का रोबोटिक मैनिपुलेशन महत्वपूर्ण चुनौतियां पेश करता है क्योंकि इन वस्तुओं में अत्यधिक संपर्क बलों (contact forces) के प्रति सहनशीलता बहुत कम होती है। पारंपरिक दृष्टिकोण अक्सर महंगे मल्टी-एक्सिस फोर्स-टॉर्क सेंसर, टैक्टाइल एरेज़, या विशेष इम्पीडेंस कंट्रोल सिस्टम पर निर्भर करते हैं, जो हार्डवेयर लागत और सिस्टम की जटिलता को बढ़ा देते हैं। इसके अलावा, जबकि हालिया विजन-लैंग्वेज-एक्शन (VLA) मॉडल एंड-टू-एंड रोबोटिक नियंत्रण के लिए एक एकीकृत प्रतिमान (paradigm) प्रदान करते हैं, इन मॉडलों को प्रशिक्षित करने और तैनात करने के लिए आमतौर पर उच्च-लागत वाले, प्रोप्रायटरी रोबोटिक इकोसिस्टम (जैसे, ~$33,000 की लागत वाला ALOHA सिस्टम) की आवश्यकता होती है। यह उन शोधकर्ताओं के लिए एक महत्वपूर्ण वित्तीय बाधा पैदा करता है जो सुलभ हार्डवेयर पर लर्निंग-आधारित मैनिपुलेशन सिस्टम विकसित करने और प्रयोग करने का लक्ष्य रखते हैं।

कार्यप्रणाली (Methodology)
लेखक VILAS प्रस्तुत करते हैं, जो एक पूर्णतः कम लागत वाला, मॉड्यूलर रोब적인 मैनिपुलेशन प्लेटफॉर्म है जिसे पूर्ण VLA वर्कफ़्लो—टेलीऑपरेशन-आधारित डेटा संग्रह से लेकर पॉलिसी फाइन-ट्यूनिंग और रियल-टाइम डिप्लॉयमेंट तक—का समर्थन करने के लिए डिज़ाइन किया गया है।

हार्डवेयर आर्किटेक्चर: सिस्टम तीन प्राथमिक घटकों को एकीकृत करता है:
- मैनिप्युलेटर: एक Fairino FR5 कोलबोरेटिव आर्म (इंडस्ट्रियल-ग्रेड, ब्रशलेस डीसी मोटर्स) जिसे इसकी गति की सुगमता और परिशुद्धता के लिए चुना गया है, जिसकी लागत ~$4,000 है।
- एंड-इफेक्टर: एक Jodell RG52-50 इलेक्ट्रिक पैरेलल ग्रिपर (~$1,500) जिसे एक कस्टम किरिगामी-आधारित सॉफ्ट कंप्लायंट एक्सटेंशन के साथ बढ़ाया गया है। यह एक्सटेंशन, जिसे FDM 3D प्रिंटिंग का उपयोग करके PEBA से बनाया गया है, संपीड़ित लोडिंग (compressive loading) के तहत अनुमानित विरूपण (deformation) उत्पन्न करता है। यह संपर्क बल के विविधताओं को सोखने के लिए पैसिव मैकेनिकल कंप्लायंस प्रदान करता है, जिससे बिना किसी स्पष्ट फोर्स सेंसिंग के नाजुक वस्तुओं को सुरक्षित रूप से पकड़ना संभव होता है।
- परसेप्शन (Perception): एक डुअल-कैमरा सेटअप जिसमें एक बेस-माउंटेड RealSense D455 (ग्लोबल वर्कस्पेस व्यू) और एक रिस्ट-माउंटेड RealSense D405 (क्लोज-रेंज इंटरैक्शन व्यू) शामिल है, जिसकी कुल लागत ~$1,000 है।
- टेलीऑपरेशन: एक GELLO लीडर आर्म (~$500) जो 3D-प्रिंटेड पार्ट्स और डायनेमिक्सल सर्वो से निर्मित है, जो डेटा संग्रह के लिए काइनेमैटिकली समकक्ष (kinematically equivalent) नियंत्रण प्रदान करता है।
- कुल लागत: संपूर्ण प्लेटफॉर्म की लागत लगभग $8,000 है, जो तुलनीय रिसर्च सिस्टमों की तुलना में काफी कम है।
सॉफ्टवेयर और कंट्रोल: सिस्टम टेलीऑपरेशन क्लाइंट, डेटा रिकॉर्डर और रोबोट एक्टुएटर्स को समन्वित करने के लिए एक ZMQ-आधारित संचार आर्किटेक्चर का उपयोग करता है। डिप्लॉयमेंट के दौरान, कंट्रोल लूप 20 Hz पर चलता है। सिस्टम एक 'एक्शन चंकिंग' रणनीति का उपयोग करता है जहाँ एक सिंगल मॉडल इन्फरेंस (inference) क्रियाओं के एक अनुक्रम (sequence of actions) को उत्पन्न करता है ( $\pi_0/\pi_{0.5}$ के लिए 50 स्टेप्स, GR00T N1.6 के लिए 16 स्टेप्स), जो लो-फ्रीक्वेंसी मॉडल इन्फरेंस से हाई-फ्रीक्वेंसी कंट्रोल को अलग करता है।
VLA मूल्यांकन: लेखकों ने VILAS प्लेटफॉर्म पर तीन अत्याधुनिक VLA मॉडलों— $\pi_0$ , $\pi_{0.5}$ , और GR00T N1.6—को फाइन-ट्यून और मूल्यांकित किया है। सभी मॉडलों को सार्वजनिक रूप से जारी किए गए प्री-ट्रेन्ड चेकपॉइंट्स से इनिशियलाइज़ किया गया था और VILAS टेलीऑपरेशन पाइपलाइन के माध्यम से एकत्र किए गए 100 प्रदर्शन एपिसोड के एक समान डेटासेट पर फाइन-ट्यून किया गया था।

प्रमुख योगदान

सिस्टम डिज़ाइन: VILAS का कार्यान्वयन, एक पूर्णतः एकीकृत, कम लागत वाला रोबोटिक प्लेटफॉर्म जो मॉड्यूलर, किफायती घटकों का उपयोग करके एंड-टू-एंड VLA वर्कफ़्लो का समर्थन करता है।
सॉफ्ट ग्रिपर नवाचार: एक मैकेनिकल रूप से कंप्लायंट, किरिगामी-आधारित सॉफ्ट एक्सटेंशन का डिज़ाइन जो महंगे फोर्स सेंसर या जटिल फोर्स-कंट्रोल रणनीतियों पर निर्भर किए बिना नाजुक वस्तुओं के सुरक्षित मैनिपुलेशन की सुविधा प्रदान करता है।
अनुभवजन्य बेंचमार्किंग (Empirical Benchmarking): समान लो-कॉस्ट हार्डवेयर और प्रदर्शन डेटा पर तीन अलग-अलग VLA मॉडलों ( $\pi_0$ , $\pi_{0.5}$ , GR00T N1.6) का डिप्लॉयमेंट और तुलनात्मक मूल्यांकन, जो उनके डिप्लॉयमेंट गुणों के बारे में व्यावहारिक अंतर्दृष्टि प्रदान करता है।

परिणाम
प्रयोग अंगूर पकड़ने के कार्य (3 अंगूरों को चुनना और उन्हें एक बॉक्स में रखना) और चेरी पर एक जनरलाइजेशन टेस्ट पर किए गए।

सिंगल ग्रैस्प सफलता: $\pi_{0.5}$ ने उच्चतम सिंगल-ग्रैस्प सफलता दर (84%) प्राप्त की, जिसके बाद GR00T N1.6 (82%) और $\pi_0$ (70%) का स्थान रहा।
मल्टी-ग्रैस्प सफलता: GR00T N1.6 ने क्रमिक कार्यों (sequential tasks) में बेहतर निरंतरता प्रदर्शित की, जिसने कम से कम दो लगातार ग्रैस्प पूरे करने के लिए 58% सफलता दर प्राप्त की। यह $\pi_{0.5}$ (36%) और $\pi_0$ (22%) के प्रदर्शन से काफी बेहतर था।
इन्फरेंस लेटेंसी (Inference Latency): GR00T N1.6 ने सबसे कम औसत इन्फरेंस लेटेंसी (63.6 ms) प्रदर्शित की, हालांकि कम एक्शन होराइजन (16 स्टेप्स बनाम 50 स्टेप्स) के कारण इसकी प्रति-स्टेप लागत अधिक थी।
जनरलाइजेशन (Generalization): सभी मॉडलों ने बिना किसी अतिरिक्त फाइन-ट्यूनिंग के चेरी पर उचित प्रदर्शन दिखाया, जो इंगित करता है कि सीखे गए नीतियां (policies) उन मैनिपुलेशन प्रिमिटिव्स को कैप्चर करती हैं जो विजुअली भिन्न वस्तुओं पर भी सामान्यीकृत (generalize) हो सकते हैं।
विफलता के मोड (Failure Modes): विश्लेषण से पता चला कि $\pi_0$ और $\pi_{0.5}$ स्थानिक ध्यान अपडेट (spatial attention updates - एक ही स्थान पर दोबारा जाना) और ग्रिपर एक्चुएशन निरंतरता में संघर्ष करते हैं। GR00T N1.6 ने बेहतर निरंतरता दिखाई लेकिन पिछले ग्रैस्प स्थानों के पास खोजने की ओर एक स्थानिक पूर्वाग्रह (spatial bias) प्रदर्शित किया।

महत्व
यह पेपर दावा करता है कि VILAS कम लागत वाले, मॉड्यूलर हार्डवेयर पर सक्षम मैनिपुलेशन नीतियों को प्रशिक्षित करने और तैनात करने की व्यवहार्यता को प्रमाणित करता है। यह प्रदर्शित करके कि अत्याधुनिक VLA मॉडलों को ~$8,000 के प्लेटफॉर्म पर प्रभावी ढंग से फाइन-ट्यून और तैनात किया जा सकता है, यह कार्य रोबोटिक मैनिपुलेशन अनुसंधान के लिए वित्तीय बाधा को कम करता है। परिणाम पुष्टि करते हैं कि उपयुक्त मैकेनिकल डिज़ाइन (सॉफ्ट कंप्लायंट ग्रिपर्स) और सिस्टम इंटीग्रेशन के साथ, महंगे प्रोप्रायटरी इकोसिस्टम या स्पष्ट फोर्स सेंसिंग पर निर्भर हुए बिना उच्च-प्रदर्शन वाला VLA-आधारित मैनिपुलेशन सुलभ है। लेखक VILAS को वास्तविक हार्डवेयर पर भविष्य के VLA मूल्यांकन के लिए एक पुनरुत्पादनीय (reproducible) और सुलभ टेस्टबेड के रूप में प्रस्तुत करते हैं।