Dos braços colaborativos que dominam os datasets de pesquisa até os humanoides da fronteira — e as plataformas acessíveis que permitem praticar VLA de verdade. O hardware que você escolhe determina o espaço de ação, os sensores disponíveis e o compute necessário.
Cobots (robôs colaborativos) são braços robóticos projetados para operar com segurança ao lado de humanos, sem gaiolas de proteção. O Franka Emika (7 DoF, sensível a torque), os Universal Robots (UR3/UR5/UR10) e o KUKA LBR iiwa dominam os laboratórios de pesquisa VLA e são a base da maioria dos grandes datasets.
Definem a mobilidade. 6 DoF para alcançar pose arbitrária; 7 DoF adicionam redundância e evitam singularidades.
Sensor em cada junta mede força exercida — essencial para controle de impedância e segurança colaborativa.
Interfaces de baixo nível que conectam o modelo de IA ao controlador em tempo real do braço.
Robôs humanoides bípedes projetados para operar em ambientes construídos para humanos. Figure 02, Unitree G1/H1, Tesla Optimus e os robôs da 1X combinam locomoção bípede, manipulação dexterous e, cada vez mais, controle por VLAs. São a fronteira mais ambiciosa e mais visível da robótica moderna.
Timeline de humanoidesO G1 custa ~$16k, derrubando a barreira de entrada para labs de pesquisa. Com 23 DoF e locomoção bípede estável, é hoje o humanoide mais acessível para quem quer experimentar controle por VLA.
Já opera em ambiente industrial real. Usa VLA para interpretar instruções e manipular peças. Parceria com OpenAI para o módulo de linguagem. Referência de deploy VLA em produção.
A Tesla planeja produção em massa, usando o mesmo pipeline de coleta de dados dos carros autônomos para treinar o Optimus. Scaling de dados de demonstração é a aposta central.
A 1X apostou em robôs de forma mais orgânica (rodas + braços) antes de ir ao bípede. O NEO integra VLA de ponta a ponta com foco em movimentos fluidos e seguros perto de pessoas.
Humanoides fazem vídeos impressionantes mas o whole-body control — coordenar locomoção e manipulação simultaneamente — ainda é muito difícil. A maioria dos VLAs atuais controla braços estacionários. Locomoção bípede em robôs reais costuma ser delegada a controladores separados.
O end-effector é a interface final do robô com o mundo físico — sua "mão". Vai de grippers paralelos simples (duas garras) a mãos dexterous antropomórficas com dezenas de DoF. A escolha do end-effector define diretamente o que o VLA precisa controlar na saída e quais tarefas são fisicamente viáveis.
Robotiq 2F-85. Padrão em Franka e UR. Action space: 1 número entre 0 e 1.
Robotiq 3-Finger, Allegro Hand. Permite orientação de objetos. Controle bem mais difícil.
Shadow Hand. Mão humana artificial. Altíssima complexidade — pesquisa de ponta.
A saída do VLA é um vetor de ações. Um gripper paralelo adiciona 1 dimensão; uma mão dexterous adiciona 20+. Quanto mais DoF no end-effector, mais difícil o problema de aprendizado. Para começar, use gripper simples e conquiste tasks complexas com política inteligente.
Os sentidos do robô formam a entrada perceptual do VLA. Câmeras RGB-D fornecem cor e profundidade; sensores de força/torque no punho medem interação com objetos; sensores táteis capturam textura e contato na ponta dos dedos. A combinação dessas modalidades — e o que você deixa de fora — impacta diretamente o que a política consegue aprender.
SVG: modalidades sensoriais convergindoCanal de profundidade (D) adiciona estimativa de pose 3D sem estrutura física extra. Intel RealSense D435 é o padrão em manipulação. Limitação: oclusão e superfícies reflexivas.
F/T sensingSensor no punho mede forças e momentos aplicados. Viabiliza controle de impedância (ceder à força) e detecção de contato — fundamental para inserção de peças e manipulação delicada.
TátilGelSight e DIGIT capturam imagens do contato na ponta dos dedos, revelando textura e slip. Ainda pouco integrados aos VLAs mainstream, mas área ativa de pesquisa multimodal.
Braços robóticos de baixo custo e código aberto criados para democratizar o aprendizado de VLA. O SO-100/SO-101 (projeto LeRobot da Hugging Face) custa algumas centenas de dólares; Koch e ALOHA usam configurações líder-seguidor para teleoperação acessível e coleta de dados. São o caminho realista para praticar VLA com hardware físico.
No setup líder-seguidor, você move um braço gêmeo com a mão e o robô copia o movimento em tempo real, registrando cada frame como uma demonstração. Essa abordagem captura dados de qualidade sem habilidade de programação, tornando a coleta de 50–100 episódios factível num fim de semana.
O hardware de computação que executa o VLA, frequentemente embarcado no próprio robô. A linha NVIDIA Jetson (Orin Nano, AGX Orin) é o padrão para inferência on-device: GPU em formato compacto, baixo consumo, viável para deploy autônomo sem servidor externo. A escolha do compute determina se o VLA roda em tempo real ou se precisa de um datacenter remoto.
Frequência com que o robô lê sensores e envia novos comandos. 10 Hz = 100 ms máximos de pipeline end-to-end.
Reduz precisão numérica dos pesos (float32 → INT8). Comprime o modelo 4×, acelera 2–4× no hardware dedicado.
Opõe autonomia e latência garantida on-device contra maior capacidade com risco de delay e queda de rede.
Diga a resposta em voz alta antes de revelar — recordar é o que fixa, não releituras.
Cobots dominam a pesquisa— Franka (7 DoF, torque sensing) é o hardware mais comum nos grandes datasets VLA, incluindo DROID.
Humanoides são a fronteira ambiciosa— whole-body control é difícil; locomoção bípede costuma ser delegada a controladores separados do VLA.
SO-100 + LeRobot é o caminho de entrada— hardware físico real por <$500, com coleta de dados líder-seguidor e políticas treináveis integradas.
Latência determina o compute— Jetson Orin com TensorRT + INT8 para deploy autônomo; cloud para protótipos com <10 Hz de controle.