🤖 AI

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

Il documento presenta VILAS, una piattaforma robotica modulare a basso costo dotata di una pinza morbida basata su kirigami e di un framework di comunicazione unificato, che dimostra con successo l'addestramento e il dispiegamento di modelli stato-dell'arte visione-linguaggio-azione per la manipolazione sicura, end-to-end, di oggetti fragili come l'uva.

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

Pubblicato 2026-05-06

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

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

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di voler insegnare a un robot come raccogliere frutta delicata, come l'uva, senza schiacciarla. Di solito, costruire un robot abbastanza intelligente da farlo costa una fortuna – pensate a decine di migliaia di dollari – e richiede sensori complessi e costosi per "sentire" quanto sta stringendo.

Gli autori di questo articolo, VILAS, hanno deciso di costruire una versione più economica, intelligente e accessibile. Hanno creato una piattaforma robotica a "basso costo" in grado di imparare a svolgere questi compiti utilizzando un nuovo tipo di intelligenza artificiale chiamato modello VLA (Vision-Language-Action). Pensate a un VLA come al cervello di un robot che può "vedere" il mondo, "leggere" un'istruzione semplice (come "raccogli l'uva") e capire immediatamente come muovere il braccio per farlo, tutto in un unico passaggio.

Ecco una spiegazione di come l'hanno costruito e di cosa hanno scoperto, usando semplici analogie:

1. Il Corpo del Robot: L'Atleta "Economico"

Invece di acquistare un robot da ricerca da 33.000 dollari (come il famoso sistema ALOHA), ne hanno costruito uno proprio utilizzando componenti commerciali che sono costati circa 8.000 dollari in totale.

Il Braccio: Hanno utilizzato un Fairino FR5, un braccio robotico collaborativo. Pensate a questo come a un braccio affidabile di livello industriale, fluido e preciso, ma molto più economico di quelli personalizzati solitamente usati nei laboratori.
La Mano: Hanno utilizzato una pinza elettrica standard (Jodell RG52-50), che è come una mano meccanica di base che può aprirsi e chiudersi.
Gli Occhi: Hanno fissato due telecamere: una che guarda dall'alto verso il basso (la "vista dall'alto") e una sul polso (la "vista ravvicinata") per vedere esattamente cosa sta toccando la mano.

2. L'Ingrediente Segreto: Il Guanto Morbido "Origami"

La sfida più grande è raccogliere oggetti fragili senza schiacciarli. Di solito, servono sensori costosi per misurare la forza. VILAS non li ha usati. Invece, hanno progettato un'estensione morbida e compliant realizzata utilizzando una tecnica chiamata Kirigami.

L'Analogia: Immaginate di prendere un foglio di carta piatto e tagliare specifici motivi al suo interno (come uno stencil). Quando stringete questo foglio, non si accartoccia semplicemente; si piega e si curva naturalmente in una forma tridimensionale, come un fiore che sboccia o un guscio che si forma.
Come funziona: Hanno stampato in 3D questo "guscio Kirigami" e lo hanno fissato alla pinza rigida del robot. Quando il robot chiude la mano, questo guscio morbido si comprime e avvolge delicatamente l'uva. Agisce come una rete di sicurezza passiva: il materiale stesso assorbe la pressione, assicurandosi che l'uva non venga schiacciata, anche se il robot non ha un sensore di "tatto". È come indossare un guanto spesso e morbido che protegge la vostra mano senza che dobbiate pensare a quanto state stringendo.

3. Il Cervello: Insegnare al Robot con la "Teleoperazione"

Per insegnare al robot, non hanno scritto codice complesso. Invece, hanno utilizzato un sistema di teleoperazione.

L'Analogia: Immaginate un umano che indossa un guanto "maestro" (un braccio stampato in 3D a basso costo chiamato GELLO). Quando l'umano muove la mano, il robot (il "seguace") copia il movimento istantaneamente.
L'umano raccoglie l'uva e la mette in una scatola 100 volte. Il robot registra ogni movimento, ogni angolazione della telecamera e il comando vocale ("Raccogli l'uva"). Questo crea un "manuale" di 100 dimostrazioni.
Hanno poi preso tre diversi cervelli all'avanguardia ( $\pi_0$ , $\pi_0.5$ e GR00T N1.6) e li hanno "affinati" utilizzando questo manuale. Non hanno insegnato all'IA da zero; le hanno semplicemente mostrato i loro esempi specifici in modo che potesse imparare il compito.

4. I Risultati: Chi ha Vinto la Gara dell'Uva?

Hanno testato i tre modelli di IA su un compito: raccogliere tre chicchi d'uva di fila e metterli in una scatola.

Il Campione "One-Shot" ( $\pi_0.5$ ): Questo modello è stato il migliore nel raccogliere con successo un singolo chicco d'uva (tasso di successo dell'84%). Era molto bravo al primo tentativo.
Il Campione "Maratona" (GR00T N1.6): Questo modello è stato il migliore nell'intera sequenza. Sebbene fosse leggermente meno perfetto nel primo prelievo (82%), era molto migliore nel continuare. Ha raccolto con successo due chicchi d'uva di fila il 58% delle volte, mentre gli altri hanno lasciato cadere il pallino dopo il primo tentativo.
Il Problema "Balbuzie": Gli altri modelli tendevano a confondersi dopo il primo chicco d'uva. Sarebbero tornati allo stesso punto da cui avevano appena raccolto, o avrebbero lasciato cadere l'uva perché le loro istruzioni di "presa" diventavano instabili. Il modello GR00T è rimasto concentrato e non ha ripetuto i suoi errori con la stessa frequenza.

5. La "Magia" della Generalizzazione

Per vedere se i robot erano davvero intelligenti o avevano solo memorizzato l'uva, hanno sostituito l'uva con le ciliegie (che hanno un aspetto diverso: più piccole, più rosse e più lisce). Non hanno riaddestrato i robot; hanno semplicemente cambiato il comando vocale.

Il Risultato: Tutti e tre i modelli sono ancora riusciti a raccogliere le ciliegie in modo ragionevolmente buono. Questo dimostra che i robot hanno imparato il concetto di "afferrare un oggetto piccolo e rotondo" piuttosto che aver semplicemente memorizzato l'aspetto esatto di un chicco d'uva.

Riepilogo

L'articolo dimostra che non serve un laboratorio da un milione di dollari per costruire un robot in grado di imparare compiti delicati. Combinando un braccio industriale economico, un guanto morbido "origami" stampato in 3D e modelli di IA moderni, hanno creato un sistema in grado di imparare a raccogliere frutta fragile. Dimostra che con il giusto design meccanico "morbido" e un'intelligenza artificiale intelligente, i robot a basso costo possono svolgere lavori ad alta precisione.

Sintesi Tecnica: VILAS – Un'Architettura a Basso Costo Integrata con VLA e Presa Morbida per la Manipolazione Robotica

Enunciato del Problema
La manipolazione robotica di oggetti fragili, come i prodotti agricoli freschi, presenta sfide significative a causa della bassa tolleranza di tali elementi a forze di contatto eccessive. Gli approcci tradizionali fanno spesso affidamento su costosi sensori di forza-coppia multi-assiali, array tattili o sistemi di controllo di impedenza specializzati, che aumentano i costi dell'hardware e la complessità del sistema. Inoltre, sebbene i recenti progressi nei modelli Vision-Language-Action (VLA) offrano un paradigma unificato per il controllo robotico end-to-end, l'addestramento e la distribuzione di questi modelli richiedono tipicamente ecosistemi robotici proprietari ad alto costo (ad esempio, sistemi ALOHA che costano circa 33.000 dollari). Ciò crea una barriera finanziaria sostanziale per i ricercatori che mirano a sviluppare e sperimentare sistemi di manipolazione basati sull'apprendimento su hardware accessibile.

Metodologia
Gli autori presentano VILAS, una piattaforma di manipolazione robotica completamente a basso costo e modulare, progettata per supportare l'intero flusso di lavoro VLA, dalla raccolta dati basata sulla teleoperazione al fine-tuning delle policy e alla distribuzione in tempo reale.

Architettura Hardware: Il sistema integra tre componenti principali:
- Manipolatore: Un braccio collaborativo Fairino FR5 (motori DC senza spazzole di grado industriale) scelto per la sua fluidità di movimento e precisione, a un costo di circa 4.000 dollari.
- Effettore finale: Una pinza parallela elettrica Jodell RG52-50 (circa 1.500 dollari) potenziata da una estensione morbida e compliant personalizzata basata su kirigami. Questa estensione, realizzata in PEBA mediante stampa 3D FDM, induce una deformazione prevedibile sotto carico compressivo. Fornisce compliance meccanica passiva per assorbire le variazioni della forza di contatto, consentendo una presa sicura di oggetti fragili senza rilevamento esplicito della forza.
- Percezione: Una configurazione a doppia telecamera composta da una RealSense D455 montata alla base (vista dello spazio di lavoro globale) e una RealSense D405 montata al polso (vista di interazione a corto raggio), per un totale di circa 1.000 dollari.
- Teleoperazione: Un braccio leader GELLO (circa 500 dollari) costruito con parti stampate in 3D e servomotori Dynamixel, che fornisce un controllo cinematicamente equivalente per la raccolta dati.
- Costo Totale: La piattaforma completa costa circa 8.000 dollari, significativamente meno rispetto ai sistemi di ricerca comparabili.
Software e Controllo: Il sistema utilizza un'architettura di comunicazione basata su ZMQ per coordinare il client di teleoperazione, il registratore di dati e gli attuatori del robot. Durante la distribuzione, il ciclo di controllo gira a 20 Hz. Il sistema impiega una strategia di "action chunking" in cui una singola inferenza del modello genera una sequenza di azioni (50 passaggi per $\pi_0$ / $\pi_{0.5}$ , 16 passaggi per GR00T N1.6), disaccoppiando il controllo ad alta frequenza dall'inferenza del modello a frequenza inferiore.
Valutazione VLA: Gli autori hanno eseguito il fine-tuning e valutato tre modelli VLA all'avanguardia— $\pi_0$ , $\pi_{0.5}$ e GR00T N1.6—sulla piattaforma VILAS. Tutti i modelli sono stati inizializzati da checkpoint pre-addestrati rilasciati pubblicamente e sottoposti a fine-tuning su un dataset identico di 100 episodi dimostrativi raccolti tramite la pipeline di teleoperazione VILAS.

Contributi Chiave

Progettazione del Sistema: L'implementazione di VILAS, una piattaforma robotica completamente integrata e a basso costo che supporta il flusso di lavoro VLA end-to-end utilizzando componenti modulari e accessibili.
Innovazione nella Pinza Morbida: La progettazione di un'estensione morbida compliant meccanicamente basata su kirigami che facilita la manipolazione sicura di oggetti fragili senza fare affidamento su costosi sensori di forza o strategie di controllo della forza complesse.
Benchmarking Empirico: La distribuzione e la valutazione comparativa di tre distinti modelli VLA ( $\pi_0$ , $\pi_{0.5}$ , GR00T N1.6) su hardware a basso costo e dati dimostrativi identici, fornendo intuizioni pratiche sulle loro caratteristiche di distribuzione.

Risultati
Gli esperimenti sono stati condotti su un compito di presa dell'uva (raccogliere 3 uve e posizionarle in una scatola) e su un test di generalizzazione sulle ciliegie.

Successo della Singola Presa: $\pi_{0.5}$ ha ottenuto il tasso di successo più alto per singola presa (84%), seguito da GR00T N1.6 (82%) e $\pi_0$ (70%).
Successo della Presa Multipla: GR00T N1.6 ha dimostrato una coerenza superiore nei compiti sequenziali, ottenendo un tasso di successo del 58% nel completare almeno due prese consecutive. Ciò ha superato significativamente $\pi_{0.5}$ (36%) e $\pi_0$ (22%).
Latenza di Inferenza: GR00T N1.6 ha mostrato la latenza media di inferenza più bassa (63,6 ms), sebbene il suo costo per passaggio fosse più elevato a causa di un orizzonte di azione più breve (16 passaggi contro 50 passaggi).
Generalizzazione: Tutti i modelli hanno dimostrato prestazioni ragionevoli sulle ciliegie senza ulteriore fine-tuning, indicando che le policy apprese catturano primitivi di manipolazione che si generalizzano attraverso oggetti visivamente distinti.
Modalità di Fallimento: L'analisi ha rivelato che $\pi_0$ e $\pi_{0.5}$ hanno avuto difficoltà con gli aggiornamenti dell'attenzione spaziale (ripetere lo stesso luogo) e con la coerenza dell'attuazione della pinza. GR00T N1.6 ha mostrato una migliore coerenza ma ha esibito un bias spaziale verso la ricerca vicino alle precedenti posizioni di presa.

Significato
Il documento afferma che VILAS convalida la fattibilità dell'addestramento e della distribuzione di policy di manipolazione capaci su hardware modulare a basso costo. Dimostrando che modelli VLA all'avanguardia possono essere efficacemente sottoposti a fine-tuning e distribuiti su una piattaforma da circa 8.000 dollari, il lavoro abbassa la barriera finanziaria per la ricerca sulla manipolazione robotica. I risultati confermano che, con un adeguato design meccanico (pinze morbide compliant) e integrazione di sistema, la manipolazione basata su VLA ad alte prestazioni è accessibile senza dipendere da ecosistemi proprietari costosi o dal rilevamento esplicito della forza. Gli autori posizionano VILAS come un banco di prova riproducibile e accessibile per future valutazioni VLA su hardware reale.