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

기술 요약: VILAS – 로봇 조작을 위한 소프트 그리핑이 통합된 저비용 VLA 아키텍처

문제 제기
신선한 농산물과 같은 취약한 물체의 로봇 조작은 이러한 물체가 과도한 접촉 힘에 대한 허용 오차가 낮기 때문에 상당한 어려움을 겪습니다. 전통적인 접근 방식은 종종 고가의 다축 힘/토크 센서, 촉각 어레이, 또는 특수 임피던스 제어 시스템에 의존하는데, 이는 하드웨어 비용과 시스템 복잡성을 증가시킵니다. 더 나아가, 최근의 비전 - 언어 - 행동 (VLA) 모델 발전은 엔드 - 투 - 엔드 로봇 제어를 위한 통합 패러다임을 제공하지만, 이러한 모델을 훈련하고 배포하는 것은 일반적으로 고가의 독점 로봇 생태계 (예: 약 33,000 달러 비용의 ALOHA 시스템) 를 필요로 합니다. 이는 접근 가능한 하드웨어에서 학습 기반 조작 시스템을 개발하고 실험하려는 연구자들에게 상당한 재정적 장벽을 조성합니다.

방법론
저자들은 원격 조작 기반 데이터 수집부터 정책 미세 조정 및 실시간 배포에 이르기까지 완전한 VLA 워크플로우를 지원하도록 설계된 완전히 저비용이고 모듈식인 로봇 조작 플랫폼인 VILAS를 제시합니다.

• 하드웨어 아키텍처: 시스템은 세 가지 주요 구성 요소를 통합합니다:

  • 조작기: 운동의 부드러움과 정밀도를 위해 선택된 Fairino FR5 협동 로봇 팔 (산업용 등급, 브러시리스 DC 모터) 로, 비용은 약 4,000 달러입니다.
  • 엔드 이펙터: 약 1,500 달러인 Jodell RG52-50 전기 병렬 그리퍼에 맞춤형 키리가미 기반 소프트 컴플라이언트 확장부가 추가되었습니다. FDM 3D 프린팅으로 PEBA 를 사용하여 제작된 이 확장부는 압축 하중 하에서 예측 가능한 변형을 유도합니다. 이는 명시적인 힘 센싱 없이도 접촉 힘 변동을 흡수하는 수동 기계적 컴플라이언스를 제공하여 취약한 물체의 안전한 그리핑을 가능하게 합니다.
  • 인지: 전체 작업 공간 뷰를 제공하는 베이스 장착형 RealSense D455 와 근접 상호작용 뷰를 제공하는 손목 장착형 RealSense D405 로 구성된 듀얼 카메라 설정으로, 총 비용은 약 1,000 달러입니다.
  • 원격 조작: 3D 프린팅 부품과 Dynamixel 서보로 구성된 GELLO 리더 암 (약 500 달러) 으로, 데이터 수집을 위한 운동학적 동등 제어를 제공합니다.
  • 총 비용: 완전한 플랫폼의 비용은 약 8,000 달러로, 유사한 연구 시스템보다 훨씬 낮습니다.

• 소프트웨어 및 제어: 시스템은 원격 조작 클라이언트, 데이터 레코더, 로봇 액추에이터를 조정하기 위해 ZMQ 기반 통신 아키텍처를 활용합니다. 배포 중 제어 루프는 20Hz 로 실행됩니다. 시스템은 단일 모델 추론이 일련의 동작을 생성하는 액션 청킹 전략을 사용하며 ($\pi_0$/$\pi_{0.5}$의 경우 50 단계, GR00T N1.6 의 경우 16 단계), 고주파수 제어를 저주파수 모델 추론과 분리합니다.

• VLA 평가: 저자들은 VILAS 플랫폼에서 세 가지 최첨단 VLA 모델인 $\pi_0$, $\pi_{0.5}$, GR00T N1.6을 미세 조정하고 평가했습니다. 모든 모델은 공개적으로 릴리스된 사전 훈련된 체크포인트에서 초기화되었으며, VILAS 원격 조작 파이프라인을 통해 수집된 100 개의 데모 에피소드로 구성된 동일한 데이터셋에서 미세 조정되었습니다.

주요 기여

1. 시스템 설계: 모듈식이고 저렴한 구성 요소를 사용하여 엔드 - 투 - 엔드 VLA 워크플로우를 지원하는 완전히 통합된 저비용 로봇 플랫폼인 VILAS 의 구현.
2. 소프트 그리퍼 혁신: 고가의 힘 센서나 복잡한 힘 제어 전략에 의존하지 않고도 취약한 물체의 안전한 조작을 가능하게 하는 기계적 컴플라이언스를 갖춘 키리가미 기반 소프트 확장부 설계.
3. 실증적 벤치마킹: 동일한 저비용 하드웨어와 데모 데이터에서 세 가지 서로 다른 VLA 모델 ($\pi_0$, $\pi_{0.5}$, GR00T N1.6) 을 배포하고 비교 평가하여 배포 특성에 대한 실용적인 통찰력을 제공.

결과
실험은 포도 그리핑 작업 (3 개의 포도를 집어 상자에 넣기) 과 체리에 대한 일반화 테스트에서 수행되었습니다.

• 단일 그리핑 성공: $\pi_{0.5}$가 가장 높은 단일 그리핑 성공률 (84%) 을 달성했으며, 이어 GR00T N1.6 (82%) 과 $\pi_0$ (70%) 순이었습니다.
• 다중 그리핑 성공: GR00T N1.6 은 순차적 작업에서 우수한 일관성을 보여주어 최소 두 번의 연속 그리핑을 완료하는 성공률이 58% 였습니다. 이는 $\pi_{0.5}$ (36%) 와 $\pi_0$ (22%) 를 크게 앞섰습니다.
• 추론 지연: GR00T N1.6 은 평균 추론 지연이 가장 낮았으나 (63.6 ms), 더 짧은 액션 호라이즌 (50 단계 대비 16 단계) 으로 인해 단계당 비용이 더 높았습니다.
• 일반화: 모든 모델은 추가 미세 조정 없이 체리에서도 합리적인 성능을 보여주어, 학습된 정책이 시각적으로 구별되는 물체 전반에 걸쳐 일반화되는 조작 원시적 행동을 포착함을 나타냈습니다.
• 실패 모드: 분석 결과, $\pi_0$와 $\pi_{0.5}$는 공간적 주의 업데이트 (동일한 위치 재방문) 와 그리퍼 작동 일관성에서 어려움을 겪었습니다. GR00T N1.6 은 더 나은 일관성을 보였으나 이전 그리핑 위치 근처를 탐색하는 공간적 편향을 나타냈습니다.

의의
이 논문은 VILAS 가 저비용 모듈식 하드웨어에서 유능한 조작 정책을 훈련하고 배포하는 것의 실현 가능성을 검증한다고 주장합니다. 약 8,000 달러 규모의 플랫폼에서 최첨단 VLA 모델을 효과적으로 미세 조정하고 배포할 수 있음을 입증함으로써, 이 연구는 로봇 조작 연구의 재정적 장벽을 낮춥니다. 결과는 적절한 기계적 설계 (소프트 컴플라이언트 그리퍼) 와 시스템 통합을 통해 고비용 독점 생태계나 명시적 힘 센싱에 의존하지 않고도 고성능 VLA 기반 조작이 가능함을 확인시켜 줍니다. 저자들은 VILAS 를 실제 하드웨어에서의 향후 VLA 평가를 위한 재현 가능하고 접근 가능한 테스트베드로 위치시킵니다.