加州大学项目 | GELLO 框架论文解读：一种通用、低成本且直观的机器人遥操作框架

最新推荐文章于 2025-12-07 11:03:24 发布

原创最新推荐文章于 2025-12-07 11:03:24 发布 · 1.2k 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#机器人 #论文解读 #加州大学 #机器学习 #人工智能 #模仿学习 #Franka

研究背景

在机器人学习领域，模仿学习依赖人类遥操作演示数据来训练机器人技能，但现有遥操作系统存在两大痛点：一是传统高保真系统（如触觉设备、机器人对机器人遥操作）成本高达数万美元，难以普及；二是低成本设备（如3D鼠标、VR控制器）因忽略机器人运动学约束，操作直观性差，导致演示数据质量低、失败率高。

为解决这一矛盾，加州大学伯克利分校团队提出GELLO通用框架，旨在构建低成本且直观的机器人操作远程操作系统，研究团队使用Franka、UR5等机械臂进行系统的设计与搭建。，通过“低成本 + 运动学等效” 设计，实现了单设备成本低于 300 美元的遥操作系统。该框架不仅降低了数据收集门槛，还能高效获取高质量、多样化的演示数据，显著提升机器人模仿学习的性能上限。

研究中的核心方法

GELLO框架的核心方法围绕 “低成本、直观性、易复制” 展开，具体包括：

运动学等效设计：为目标机械臂构建微型化、运动学结构完全一致的控制器。通过获取目标臂的DH 参数并按0.5比例缩放（α=0.5），使GELLO的关节和连杆与目标臂一一对应，用户可直接通过控制 GELLO感知目标臂的运动学约束（如奇点、关节极限），无需计算逆运动学。

低成本硬件实现：采用3D打印部件制作结构件，搭配DYNAMIXEL XL330系列伺服电机（含12位高分辨率编码器，测量精度达0.088机械度）作为关节驱动与传感组件，利用其物理阻力实现自然阻尼，提升操作稳定性。

关节正则化机制：通过弹簧或橡皮筋等简单机械组件，抵消重力对控制器的影响，防止关节下垂导致的碰撞风险，同时提供被动反馈帮助用户感知关节状态。

实验设置

测试机械臂：选用3种主流型号 ——UR5、Franka、xArm7，均为机器人学习领域常用平台，覆盖不同自由度和结构特点。

GELLO控制器：为上述3种机械臂分别定制，采用3D打印部件、DYNAMIXEL XL330-288T伺服电机（高齿轮比，提供更大操作阻力）

对比设备：选取两类低成本遥操作设备作为基准——3鼠标（SpaceNavigator）、VR控制器（Meta Quest 2）。

通信与控制：通过DYNAMIXEL提供的Python API读取GELLO关节角度，利用 ZMQ协议进行进程间消息传递，调用各机械臂的Python API发送控制指令。

实验设计与验证

GELLO 控制器仅依赖被动伺服电机时，受重力影响易出现关节下垂（如肘关节下坠），导致设备姿态不稳定，甚至与环境发生碰撞。为此，研究团队引入关节正则化设计（采用弹簧或橡皮筋等简单机械组件），并通过实验量化其对操作力的影响。

该图展示了GELLO在有和没有关节正则化情况下的轨迹。左图：没有关节正则化时，肘关节会下垂。这会导致后续任务的关节配置不利，甚至与桌子发生碰撞。右图：有关节正则化时，肘关节的运动最小，从而形成更有利的关节配置。

对在不同高度下，实施简单关节正则化对维持遥操作设备静止所需力的影响的定量分析。在没有关节正则化的情况下，测量得到的抵抗重力所需的力在1.9N左右大致恒定。这可能会使操作员更难感受到机器人的运动学极限。有了正则化，我们可以看到，在靠近桌面时，恢复力有助于减少补偿重力所需的力，而在远离桌面时，则提供更高的恢复力，促使用户避免奇异点。

实验通过研究和多任务测试验证GELLO性能，具体如下：

为3 种不同的机械臂设计GELLO。在这三种机械臂上用GELLO进行了一系列任务实验，以定性观察遥操作效果。

低成本机器人遥操作方案