🤖 AI

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

O artigo apresenta o VILAS, uma plataforma robótica modular de baixo custo que integra uma garra macia baseada em kirigami e um framework de comunicação unificado, demonstrando com sucesso o treinamento e a implantação de modelos de visão, linguagem e ação de última geração para a manipulação segura, de ponta a ponta, de objetos frágeis como uvas.

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

Publicado 2026-05-06

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você quer ensinar um robô a pegar frutas delicadas, como uvas, sem esmagá-las. Normalmente, construir um robô inteligente o suficiente para fazer isso custa uma fortuna — pense em dezenas de milhares de dólares — e exige sensores complexos e caros para "sentir" quão forte ele está apertando.

Os autores deste artigo, VILAS, decidiram construir uma versão mais barata, mais inteligente e mais acessível. Eles criaram uma plataforma robótica de "baixo custo" que pode aprender a realizar essas tarefas usando um novo tipo de IA chamado modelo VLA (Visão-Linguagem-Ação). Pense em um VLA como um cérebro robótico que consegue "ver" o mundo, "ler" uma instrução simples (como "pegue a uva") e imediatamente descobrir como mover seu braço para fazê-lo, tudo de uma só vez.

Aqui está uma explicação de como eles construíram isso e o que descobriram, usando analogias simples:

1. O Corpo do Robô: O Atleta "Econômico"

Em vez de comprar um robô de pesquisa de US$ 33.000 (como o famoso sistema ALOHA), eles construíram o seu próprio usando peças de prateleira que custaram cerca de US$ 8.000 no total.

O Braço: Eles usaram um Fairino FR5, um braço robótico colaborativo. Pense nisso como um braço confiável, de nível industrial, que é suave e preciso, mas muito mais barato do que os personalizados geralmente usados em laboratórios.
A Mão: Eles usaram uma garra elétrica padrão (Jodell RG52-50), que é como uma mão mecânica básica que pode abrir e fechar.
Os Olhos: Eles acoplaram duas câmeras: uma olhando de cima para baixo (a "visão de drone") e outra no pulso (a "visão de perto") para ver exatamente o que a mão está tocando.

2. O Segredo: A Luva Macia de "Origami"

O maior desafio é pegar coisas frágeis sem esmagá-las. Normalmente, você precisa de sensores caros para medir a força. O VILAS não usou esses. Em vez disso, eles projetaram uma extensão macia e complacente feita usando uma técnica chamada Kirigami.

A Analogia: Imagine pegar uma folha de papel plana e cortar padrões específicos nela (como um estêncil). Quando você aperta essa folha, ela não apenas amassa; ela naturalmente se dobra e curva em uma forma 3D, como uma flor desabrochando ou uma concha se formando.
Como funciona: Eles imprimiram em 3D essa "casca de Kirigami" e a acoplaram à garra dura do robô. Quando o robô fecha a mão, essa casca macia se espreme e envolve a uva suavemente. Ela age como uma rede de segurança passiva: o próprio material absorve a pressão, garantindo que a uva não seja esmagada, mesmo que o robô não tenha um sensor de "tato". É como usar uma luva grossa e macia que protege sua mão sem que você precise pensar em quão forte está apertando.

3. O Cérebro: Ensinando o Robô com "Teleoperação"

Para ensinar o robô, eles não escreveram código complexo. Em vez disso, usaram um sistema de teleoperação.

A Analogia: Imagine um humano usando uma luva "mestra" (um braço impresso em 3D de baixo custo chamado GELLO). Quando o humano move a mão, o robô (o "seguidor") copia o movimento instantaneamente.
O humano pega uvas e as coloca em uma caixa 100 vezes. O robô registra cada movimento, cada ângulo de câmera e o comando de voz ("Pegue a uva"). Isso cria um "livro didático" de 100 demonstrações.
Eles então pegaram três cérebros de IA diferentes e de ponta ( $\pi_0$ , $\pi_0.5$ e GR00T N1.6) e os "ajustaram finamente" usando esse livro didático. Eles não ensinaram a IA do zero; apenas mostraram seus exemplos específicos para que ela pudesse aprender a tarefa.

4. Os Resultados: Quem Ganhou o Jogo da Uva?

Eles testaram os três modelos de IA em uma tarefa: pegar três uvas seguidas e colocá-las em uma caixa.

O Campeão "One-Shot" ( $\pi_0.5$ ): Este modelo foi o melhor em pegar uma única uva com sucesso (taxa de sucesso de 84%). Foi muito bom na primeira tentativa.
O Campeão "Maratona" (GR00T N1.6): Este modelo foi o melhor em toda a sequência. Embora tenha sido ligeiramente menos perfeito na primeira pegada (82%), foi muito melhor em continuar. Ele pegou com sucesso duas uvas seguidas 58% das vezes, enquanto os outros deixaram a bola cair após a primeira tentativa.
O Problema do "Gaguejo": Os outros modelos tendiam a ficar confusos após a primeira uva. Eles voltariam para o mesmo local de onde acabaram de pegar, ou deixariam cair a uva porque suas instruções de "agarrar" ficavam instáveis. O modelo GR00T manteve o foco e não repetiu seus erros com tanta frequência.

5. A "Mágica" da Generalização

Para ver se os robôs eram realmente inteligentes ou apenas memorizaram a uva, eles trocaram as uvas por cerejas (que têm aparência diferente: menores, mais vermelhas e mais lisas). Eles não re-treinar os robôs; apenas mudaram o comando de voz.

O Resultado: Todos os três modelos ainda conseguiram pegar as cerejas razoavelmente bem. Isso prova que os robôs aprenderam o conceito de "agarrar um objeto pequeno e redondo" em vez de apenas memorizar a aparência exata de uma uva.

Resumo

O artigo prova que você não precisa de um laboratório de um milhão de dólares para construir um robô que possa aprender tarefas delicadas. Ao combinar um braço industrial barato, uma luva macia de "origami" impressa em 3D e modelos de IA modernos, eles criaram um sistema que pode aprender a pegar frutas frágeis. Isso mostra que, com o design mecânico "macio" certo e IA inteligente, robôs de baixo custo podem realizar trabalhos de alta precisão.

Resumo Técnico: VILAS – Uma Arquitetura de Baixo Custo Integrada a VLA com Agarre Macio para Manipulação Robótica

Declaração do Problema
A manipulação robótica de objetos frágeis, como produtos agrícolas frescos, apresenta desafios significativos devido à baixa tolerância desses itens a forças de contato excessivas. Abordagens tradicionais frequentemente dependem de sensores de força-torque multieixos caros, arrays táteis ou sistemas especializados de controle de impedância, o que aumenta os custos de hardware e a complexidade do sistema. Além disso, embora avanços recentes em modelos Visão-Linguagem-Ação (VLA) ofereçam um paradigma unificado para controle robótico de ponta a ponta, o treinamento e a implantação desses modelos geralmente exigem ecossistemas robóticos proprietários de alto custo (por exemplo, sistemas ALOHA custando ~US$ 33.000). Isso cria uma barreira financeira substancial para pesquisadores que visam desenvolver e experimentar sistemas de manipulação baseados em aprendizado em hardware acessível.

Metodologia
Os autores apresentam o VILAS, uma plataforma de manipulação robótica totalmente de baixo custo e modular, projetada para suportar o fluxo de trabalho completo de VLA — desde a coleta de dados baseada em teleoperação até o ajuste fino de políticas e a implantação em tempo real.

Arquitetura de Hardware: O sistema integra três componentes principais:
- Manipulador: Um braço colaborativo Fairino FR5 (motores CC sem escova de grau industrial) escolhido por sua suavidade de movimento e precisão, com custo de ~US$ 4.000.
- Efetuador Final: Uma garra elétrica paralela Jodell RG52-50 (~US$ 1.500) aumentada com uma extensão macia e complacente personalizada baseada em kirigami. Esta extensão, fabricada em PEBA usando impressão 3D FDM, induz deformação previsível sob carregamento compressivo. Ela fornece complacência mecânica passiva para absorver variações de força de contato, permitindo o agarre seguro de objetos frágeis sem sensoriamento de força explícito.
- Percepção: Uma configuração de duas câmeras composta por uma RealSense D455 montada na base (visão do espaço de trabalho global) e uma RealSense D405 montada no pulso (visão de interação de curto alcance), totalizando ~US$ 1.000.
- Teleoperação: Um braço líder GELLO (~US$ 500) construído com peças impressas em 3D e servomotores Dynamixel, fornecendo controle cinematicamente equivalente para coleta de dados.
- Custo Total: A plataforma completa custa aproximadamente US$ 8.000, significativamente menos do que sistemas de pesquisa comparáveis.
Software e Controle: O sistema utiliza uma arquitetura de comunicação baseada em ZMQ para coordenar o cliente de teleoperação, o gravador de dados e os atuadores do robô. Durante a implantação, o loop de controle roda a 20 Hz. O sistema emprega uma estratégia de fragmentação de ação (action chunking) onde uma única inferência do modelo gera uma sequência de ações (50 passos para $\pi_0$ / $\pi_{0.5}$ , 16 passos para GR00T N1.6), desacoplando o controle de alta frequência da inferência do modelo de menor frequência.
Avaliação VLA: Os autores ajustaram finamente e avaliaram três modelos VLA de última geração — $\pi_0$ , $\pi_{0.5}$ e GR00T N1.6 — na plataforma VILAS. Todos os modelos foram inicializados a partir de checkpoints pré-treinados lançados publicamente e ajustados finamente em um conjunto de dados idêntico de 100 episódios de demonstração coletados via pipeline de teleoperação do VILAS.

Principais Contribuições

Design do Sistema: A implementação do VILAS, uma plataforma robótica totalmente integrada e de baixo custo que suporta o fluxo de trabalho VLA de ponta a ponta usando componentes modulares e acessíveis.
Inovação em Garra Macia: O design de uma extensão macia e mecanicamente complacente baseada em kirigami que facilita a manipulação segura de objetos frágeis sem depender de sensores de força caros ou estratégias complexas de controle de força.
Benchmarking Empírico: A implantação e avaliação comparativa de três modelos VLA distintos ( $\pi_0$ , $\pi_{0.5}$ , GR00T N1.6) em hardware de baixo custo e dados de demonstração idênticos, fornecendo insights práticos sobre suas características de implantação.

Resultados
Os experimentos foram conduzidos em uma tarefa de agarre de uvas (pegar 3 uvas e colocá-las em uma caixa) e um teste de generalização em cerejas.

Sucesso de Agarre Único: $\pi_{0.5}$ alcançou a maior taxa de sucesso de agarre único (84%), seguido por GR00T N1.6 (82%) e $\pi_0$ (70%).
Sucesso de Múltiplos Agarramentos: GR00T N1.6 demonstrou consistência superior em tarefas sequenciais, alcançando uma taxa de sucesso de 58% para completar pelo menos dois agarramentos consecutivos. Isso superou significativamente $\pi_{0.5}$ (36%) e $\pi_0$ (22%).
Latência de Inferência: GR00T N1.6 exibiu a menor latência média de inferência (63,6 ms), embora seu custo por passo fosse maior devido a um horizonte de ação mais curto (16 passos vs. 50 passos).
Generalização: Todos os modelos demonstraram desempenho razoável em cerejas sem ajuste fino adicional, indicando que as políticas aprendidas capturam primitivas de manipulação que generalizam entre objetos visualmente distintos.
Modos de Falha: A análise revelou que $\pi_0$ e $\pi_{0.5}$ lutaram com atualizações de atenção espacial (revisitar o mesmo local) e consistência de atuação da garra. GR00T N1.6 mostrou melhor consistência, mas exibiu um viés espacial em direção à busca perto de locais de agarre anteriores.

Significado
O artigo afirma que o VILAS valida a viabilidade de treinar e implantar políticas de manipulação capazes em hardware modular de baixo custo. Ao demonstrar que modelos VLA de última geração podem ser efetivamente ajustados finamente e implantados em uma plataforma de ~US$ 8.000, o trabalho reduz a barreira financeira para a pesquisa em manipulação robótica. Os resultados confirmam que, com design mecânico adequado (garras macias complacentes) e integração de sistema, a manipulação baseada em VLA de alto desempenho é acessível sem dependência de ecossistemas proprietários caros ou sensoriamento de força explícito. Os autores posicionam o VILAS como um campo de testes reprodutível e acessível para futuras avaliações de VLA em hardware real.