GraspVLA

갤봇(인허퉁융)🇨🇳 중국Galbot VLA 계열

행동 생성 (VLA)발표일 2025.05가중치 공개 · CC-BY-NC-4.0

갤봇과 베이징대가 개발한 파지 특화 행동 생성 (VLA) 모델로, 10억 프레임 규모 합성 데이터(SynGrasp-1B)로 사전학습해 실데이터 없이 제로샷 sim-to-real 파지를 시연했어요. 2025년 7월 가중치를 비상업 라이선스로 공개했어요.

파라미터: —값 없음 (미공개이거나 아직 확인하지 못함)
제어 빈도: 5공식
적용 로봇: —
벤치마크 결과: —

공식 자료프로젝트 페이지 pku-epic.github.io 논문 arxiv.org 코드 저장소 github.com 가중치 huggingface.co

무엇인가

행동 생성 (VLA) — Vision-Language-Action. 영상과 지시를 받아 로봇의 팔·손 동작으로 바꾸는 AI.
발표일 2025-05
가중치 공개 (CC-BY-NC-4.0) — 내려받아 직접 실행·추가 학습할 수 있음

확인된 정보

사양 9개 항목 중 7개에 값이 있음
공식 공식 7개: 구조, 입력, 제어 빈도 (Hz), 학습용 데이터셋, 적용 로봇 형태, 추론 하드웨어 외 1개
값 확인일 2025-05 – 2025-08 · 값마다 출처는 아래 '구조와 학습' 표

확인이 필요한 정보

값 없는 기본 사양 (공개 자료에서 찾지 못함): 파라미터 (B)
수록된 로봇과의 연결 기록 없음 — 쓰이지 않는다는 뜻이 아니라 공개 자료에서 찾지 못했다는 뜻이에요

어떤 모델인가

GraspVLA는 갤봇(Galbot)과 베이징대·홍콩대·BAAI 연구진이 개발한 물체 집기(파지) 특화 행동 생성 (VLA) 모델로, 합성 데이터만으로 사전학습한 VLA가 실제 환경에서도 통하는지를 보여 주려는 연구다. 전면·측면 카메라 영상과 언어 지시를 받아 고정된 DINOv2·SigLIP 시각 특징을 InternLM2 1.8B 언어 모델에 넣고, flow matching 행동 전문가가 end-effector 변위 action chunk를 출력한다. 대상 물체 2D 박스, 파지 자세, 동작을 차례로 만드는 Progressive Action Generation을 하나의 사고 사슬로 묶은 것이 특징이다.

학습에는 Objaverse 240개 범주 물체 1만여 개를 사실적 렌더링과 도메인 무작위화로 시뮬레이션해 만든 약 10억 프레임 규모의 학습용 데이터셋 SynGrasp-1B와 인터넷 그라운딩 데이터를 함께 썼다. 연구진은 Franka 팔 실험에서 제로샷 파지 성공률 93.3%(기본 설정·합성 범주 물체 기준)를 기록해 같은 데이터로 학습한 π0·OpenVLA·Octo보다 높았고 소량 시연만으로 산업·소매·가정의 선호 파지에 맞출 수 있었다고 보고했으며, CoRL 2025에 발표돼 가중치가 2025년 7월 비상업용 CC BY-NC 4.0 라이선스로 공개됐다.

회사 공식 페이지와 논문을 바탕으로 정리했어요. 성공률·최초 같은 표현은 회사 발표예요.

구조와 학습

공식보도루머추정— 값 없음

구조	이해·계획 (VLM) 모델(InternLM2 1.8B + 고정 DINOv2·SigLIP 비전 인코더) + 플로우 매칭 액션 전문가, Progressive Action Generation(CoT식 지각→행동)공식
입력	RGB 카메라 2대(정면·측면 Intel RealSense), 언어 지시공식
제어 빈도 (Hz)	5공식
학습용 데이터셋	SynGrasp-1B: 10억 프레임 합성 파지 데이터 + 인터넷 그라운딩 데이터 공동학습공식
적용 로봇 형태	Franka Panda 단일 팔(정면·측면 카메라)공식
추론 하드웨어	NVIDIA L40s(Torch Compile, 지연 약 200ms)공식
발표 벤치마크	LIBERO 제로샷(Long 82.0 · Goal 91.2 · Object 94.1, 미세조정한 π0·OpenVLA보다 높음) + 실환경 제로샷 파지(합성·인터넷 범주), 소량 데이터 적응공식

출처 5건

arxiv.org [1][2]
pku-epic.github.io [1]
github.com [1]
huggingface.co [1]

한눈에 읽기