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

技術概要：VILAS – ロボット操作のための VLA 統合型低コストアーキテクチャとソフト把持

問題提起
生鮮農産物などの脆弱な物体のロボット操作は、これらの物品が過剰な接触力に対して許容度が低いという点から、重大な課題を呈しています。従来のアプローチは、高価な多軸力トルクセンサー、触覚アレイ、または特殊なインピーダンス制御システムに依存することが多く、これらはハードウェアコストとシステムの複雑さを増大させます。さらに、最近のビジョン・ランゲージ・アクション（VLA）モデルの進展は、エンドツーエンドのロボット制御のための統一されたパラダイムを提供していますが、これらのモデルのトレーニングと展開には、通常、高コストの専用ロボット生態系（例：約 33,000 ドルの ALOHA システム）が必要とされます。これにより、アクセス可能なハードウェア上で学習ベースの操作システムの開発と実験を目指す研究者にとって、大きな財政的障壁が生じています。

手法
著者らは、遠隔操作に基づくデータ収集からポリシーの微調整、リアルタイム展開までの完全な VLA ワークフローをサポートするように設計された、完全な低コストかつモジュール式のロボット操作プラットフォーム「VILAS」を提示します。

• ハードウェアアーキテクチャ: システムは 3 つの主要コンポーネントを統合しています。

  • マニピュレーター: 滑らかな動作と精度を備え、コストが約 4,000 ドルの Fairino FR5 協働アーム（産業用グレード、ブラシレス DC モーター搭載）。
  • エンドエフェクター: 約 1,500 ドルの Jodell RG52-50 電動平行グリッパーに、カスタム製のキリガミベースのソフトコンプライアント拡張部を付加したもの。FDM 3D プリントで PEBA 製に加工されたこの拡張部は、圧縮荷重下で予測可能な変形を引き起こします。これにより、接触力の変動を吸収する受動的な機械的コンプライアンスが提供され、明示的な力センサーなしに脆弱な物体の安全な把持を可能にします。
  • 知覚: 基部に取り付けられた RealSense D455（グローバルワークスペースビュー）と手首に取り付けられた RealSense D405（近距離相互作用ビュー）からなるデュアルカメラセットアップ。合計約 1,000 ドル。
  • 遠隔操作: 3D プリント部品と Dynamixel サーボから構築された GELLO リーダーアーム（約 500 ドル）。データ収集のための運動学的に同等な制御を提供します。
  • 総コスト: 完全なプラットフォームのコストは約8,000 ドルであり、同様の研究システムと比較して著しく低いです。

• ソフトウェアと制御: システムは、遠隔操作クライアント、データレコーダー、ロボットアクチュエーターを調整するために ZMQ ベースの通信アーキテクチャを利用します。展開時には、制御ループは 20 Hz で実行されます。システムは、単一のモデル推論が動作シーケンスを生成する「アクションチャンキング戦略」を採用しており（$\pi_0$/$\pi_{0.5}$の場合は 50 ステップ、GR00T N1.6 の場合は 16 ステップ）、高周波数の制御を低周波数のモデル推論から切り離しています。

• VLA 評価: 著者らは、VILAS プラットフォーム上で、最先端の VLA モデル 3 種である$\pi_0$、$\pi_{0.5}$、およびGR00T N1.6を微調整し、評価しました。すべてのモデルは、公開された事前学習済みチェックポイントから初期化され、VILAS 遠隔操作パイプラインを通じて収集された 100 回のデモンストレーションエピソードの同一データセットで微調整されました。

主な貢献

1. システム設計: モジュール式で手頃な価格のコンポーネントを使用してエンドツーエンドの VLA ワークフローをサポートする、完全に統合された低コストロボットプラットフォーム VILAS の実装。
2. ソフトグリッパーの革新: 高価な力センサーや複雑な力制御戦略に依存することなく、脆弱な物体の安全な操作を可能にする、機械的にコンプライアントなキリガミベースのソフト拡張部の設計。
3. 実証的ベンチマーク: 同一の低コストハードウェアとデモンストレーションデータ上での 3 つの異なる VLA モデル（$\pi_0$、$\pi_{0.5}$、GR00T N1.6）の展開と比較評価。これにより、それらの展開特性に関する実践的な洞察を提供します。

結果
実験は、ブドウを 3 つ摘み取り箱に入れるというブドウ把持タスクと、チェリーに対する一般化テストで行われました。

• 単一把持成功率: $\pi_{0.5}$が最も高い単一把持成功率（84%）を達成し、次いで GR00T N1.6（82%）、$\pi_0$（70%）となりました。
• 多段把持成功率: GR00T N1.6 は逐次タスクにおいて優れた一貫性を示し、少なくとも 2 回連続して把持を完了する成功率が 58% でした。これは$\pi_{0.5}$（36%）や$\pi_0$（22%）を著しく上回ります。
• 推論遅延: GR00T N1.6 は平均推論遅延が最も低く（63.6 ms）でしたが、アクションホライズンが短い（16 ステップ対 50 ステップ）ため、ステップあたりのコストは高くなりました。
• 一般化: すべてのモデルは、追加の微調整なしにチェリーに対して妥当な性能を示しました。これは、学習されたポリシーが視覚的に異なる物体間でも一般化する操作プリミティブを捉えていることを示しています。
• 失敗モード: 分析により、$\pi_0$と$\pi_{0.5}$は空間的注意の更新（同じ場所への再訪問）とグリッパー作動の一貫性に苦労していることが明らかになりました。GR00T N1.6 はより良い一貫性を示しましたが、以前の把持場所の近くを探索する傾向にある空間的バイアスを示しました。

重要性
本論文は、VILAS が低コストかつモジュール式のハードウェア上で能力のある操作ポリシーをトレーニングし、展開する可行性を実証していると主張しています。約 8,000 ドルのプラットフォーム上で最先端の VLA モデルを効果的に微調整し、展開できることを実証することで、この研究はロボット操作研究における財政的障壁を低下させます。結果は、適切な機械的設計（ソフトコンプライアントグリッパー）とシステム統合があれば、高価な専用生態系や明示的な力センサーへの依存なしに、高性能な VLA ベースの操作が実現可能であることを確認しています。著者らは、VILAS を将来の VLA 評価のための再現性がありアクセス可能な実機テストベッドとして位置付けています。