GELLO: 低成本直觉式机器人遥操作框架

01 动机

机器人模仿学习的性能随数据集规模提升而提升，但高质量演示数据的采集仍是主要瓶颈。传统双边遥操作设备（如力反馈外骨骼）成本高昂；而 VR 控制器、SpaceMouse 等低成本替代方案将机器人运动学抽象化，使操作者难以感知奇异点和碰撞风险，操作效率低下。

"Systems that abstract away kinematic constraints prevent operators from managing singularities and collisions effectively."

GELLO 设计图 — **图 1：**GELLO 硬件设计概览。左侧展示三款 GELLO 实例（针对 Franka Panda、UR5、xArm），右侧展示对应的全尺寸机器人臂。GELLO 采用缩小比例（α = 0.5）的运动等效结构，由 DYNAMIXEL XL330 舵机和 3D 打印零件构成。

<$300GELLO 全套硬件成本

0.92GELLO 平均任务成功率

3支持的机器人平台（Franka / UR5 / xArm）

5用户研究任务数（12 名参与者）

现有方案的局限

高成本方案

力反馈外骨骼（如 Omega7）：约 $40,000
Robot-to-robot 遥操作（UR5）：约 $30,000
ALOHA 等方案需额外完整机器人臂，成本高且移植性差

低成本方案的痛点

3D Mouse（SpaceMouse）：$150，抽象末端执行器，忽略运动学
VR 控制器（Meta Quest 2）：$300，手腕方向不自然映射
均无法感知奇异点与自碰撞，导致频繁失败

02 方法

GELLO 的核心思路是构建目标机器人臂的缩小版运动等效结构（scaled kinematically equivalent structure）：操作者直接操纵各关节，无需计算逆运动学，同时通过关节阻力天然感知奇异点。配合弹簧/橡皮筋关节正则化和 DYNAMIXEL 高精度编码器，GELLO 以极低成本实现直觉式操作。

多平台任务展示 — **图 2：**GELLO 在三个机器人平台（Franka Panda、UR5、xArm）上执行的多样化操作任务，包括双臂协作、接触丰富型任务（插 USB、折叠毛巾）以及长时程任务（倒水）。

硬件设计原则

低成本：所有组件成本控制在 $300 以内。
可复制：3D 打印结构件 + 现成舵机，最小化定制零件数量。
便携性：紧凑自包含设计，可在多种环境中部署。
高能力：支持复杂操作任务，包括双臂协调与 7-DOF 零空间管理。

舵机选型：DYNAMIXEL XL330

GELLO 采用 DYNAMIXEL XL330 系列舵机。该舵机配备 12-bit 高精度编码器，关节测量精度达 0.088 mechanical degree 以内。选用 XL-330-288T 型号（最大传动比），提供较大关节阻力，作为天然阻尼，帮助操作者感知力矩和奇异点。舵机自带编码器和通信协议，构成"off-the-shelf, self-contained solution"。

缩小版运动等效结构

GELLO 将目标机械臂按比例因子 α = 0.5 缩小，保留完全相同的运动学结构。操作者直接控制各关节角度，无需求解逆运动学（IK），并可通过关节阻力感受奇异点临近。小尺寸设计提升便携性，同时降低操作者对环境碰撞的视觉遮挡。

关节正则化实物 — **图 3a：**关节正则化机构实物照片。弹簧/橡皮筋安装在关节 2、3 处，为 UR5 版本的 GELLO 提供被动力反馈。

关节正则化力矩分析 — **图 3b：**关节正则化前后的维持姿态所需力对比。无正则化时需 ~1.9 N；有正则化后，力随高度变化，辅助操作者规避奇异构型。

关节正则化（Joint Regularization）

重力会使手臂自然下垂至不理想构型。GELLO 使用弹簧或橡皮筋等简单机械元件进行"关节正则化"，产生被动力反馈：
• 无正则化：维持关节姿态需约 1.9 N 的外力。
• 有正则化：所需力随高度/关节角度变化，自然引导操作者远离奇异构型。

软件架构

软件栈基于 Python，利用 DYNAMIXEL SDK 读取各关节编码器值，通过 ZMQ 消息传递将关节角度流式发送给机器人控制器，实现直接关节空间控制，无需 IK 求解。设计高度模块化，支持快速扩展至新机器人平台。

03 实验

用户研究共招募 12 名无专业遥操作训练经历的大学志愿者，使用双臂 UR5 系统对 GELLO、VR（Meta Quest 2）、3D Mice（SpaceMouse）三种设备进行对比。每位参与者先进行 6 分钟通用介绍，再对每种设备进行 5 分钟练习，然后执行 5 项任务，设备顺序随机化（6 种排列各重复 2 次）。

五项测试任务

Task 1：将帽子放到架子上（45 秒时限）
Task 2：打开盒子并取出眼罩（90 秒）
Task 3：将香蕉递到厨房区域（90 秒）
Task 4：折叠毛巾（90 秒）
Task 5：插入 USB 线（90 秒）

任务成功率对比（Table II）

设备	Hat	Mask	Banana	Towel	USB	平均
GELLO	0.92	0.92	1.0	0.92	0.83	0.92
VR (Meta Quest 2)	0.92	0.83	0.75	0.58	0.50	0.72
3D Mice (SpaceMouse)	0.75	0.58	0.67	0.58	0.58	0.63

失败模式分析（Table III）

失败原因	GELLO	3D Mice	VR
超时 (Timeout)	1	9	5
自碰撞 (Self Collision)	1	5	5
环境碰撞 (Env Collision)	3	6	6
其他 (Other)	2	1	—

GELLO 超时次数仅为 1 次（SpaceMouse 为 9 次），说明运动等效设计显著降低了操作难度。论文指出："self collisions were a common problem for spacemouse and VR controllers due to teleoperator paying attention only to end effector"，而 GELLO 操作者能感知整臂构型，有效规避自碰撞。

**图 4：**用户研究场景。左图展示双臂 UR5 系统配置及 GELLO 操作姿态；右图展示用户研究中的五项任务（帽子、眼罩、香蕉、毛巾、USB）。

任务完成时间对比 — **图 5：**各任务成功完成时间的箱线图对比（仅统计成功试次）。GELLO 在全部五项任务上均展现更短的中位完成时间，说明其操作效率更高。

系统能力展示

GELLO 成功完成了多类复杂任务：接触丰富型任务（插 USB、折叠毛巾）、长时程任务（倒水至水瓶，需承担较大负载）、双臂协作任务，以及 7-DOF 臂（Franka Panda、xArm）的零空间管理操作，验证了框架的通用性。

成本对比

设备	成本
3D Mouse (SpaceMouse)	$150
GELLO（本文）	$300
VR (Meta Quest 2)	$300
Robot-to-robot（UR5）	$30,000
Haptic Device (Omega7)	$40,000

04 局限性

注：以下局限性均为作者在论文 Discussion 章节中明确陈述（stated by the authors）。

缺乏力反馈（No Force Feedback）

由于 DYNAMIXEL XL330 舵机输出力矩有限，GELLO 不具备力反馈功能。论文原文指出："GELLO lacks force feedback due to limited output torque of motors, compromising contact-rich task performance. This sacrifice prioritized affordability and accessibility."
作者表示希望"将来作为可选功能加入力反馈，以支持更高级的使用场景"。

用户研究的局限性（Limited Practice Time）

参与用户均为缺乏专业遥操作训练经验的志愿者，且每种设备的练习时间仅为 5 分钟。论文坦承："User study involved inexperienced users with limited practice time. Extended training could significantly improve proficiency with alternative devices."
换言之，VR 控制器和 SpaceMouse 在更长时间训练后的性能差距可能缩小。

设计依赖目标机器人运动学（Kinematic-Specific Hardware）

（作者隐含，inferred from design）每套 GELLO 均针对特定机器人臂运动学定制 3D 打印件，扩展至新平台需重新设计并打印结构件。尽管开源了三款平台（Franka、UR5、xArm）的设计，但快速适配任意新型机器人仍需一定工程工作量。