실험실 로봇을 위한 임베디드 시뮬레이션 플랫폼, 성능 평가 기준 및 데이터 효율적인 증강 프레임워크

An Embodied Simulation Platform, Benchmark, and Data-Efficient Augmentation Framework for Wet-Lab Robotics

실험실 로봇은 생의학 실험의 재현성, 처리량 및 안전성을 향상시킬 수 있지만, 로봇 학습의 확장을 위해서는 안전하고 재현 가능한 작업 생성, 개방형 편집 가능 실험실 자산, 그리고 제한된 시연 데이터를 활용 가능한 훈련 데이터로 변환하는 효율적인 파이프라인이 필요합니다. 본 논문에서는 실험실 로봇 학습을 위한 임베디드 시뮬레이션 플랫폼, 성능 평가 기준 및 데이터 효율적인 증강 프레임워크인 Pipette을 소개합니다. Pipette은 43개 이상의 개방형 및 편집 가능한 실험실 자산을 제공하며, 확장 가능한 자산 구축 파이프라인을 함께 제공합니다. Pipette의 핵심 구성 요소는 시뮬레이션 기반의 데이터 증강 파이프라인으로, 인간의 시연 데이터를 시뮬레이션 환경에서 재생하고, 조명, 카메라, 속도 및 동작에 대한 다양한 변형을 적용하며, 자동 작업 성공 검사를 통해 생성된 에피소드를 필터링하여 제한된 수동 시연으로부터 활용 가능한 훈련 데이터를 빠르게 확장합니다. 또한, 샘플 처리, 배양 용기 조작, 장비 작동 및 정밀 배치 작업을 포함하는 11개의 실험실 로봇 임베디드 성능 평가 기준을 소개합니다. ACT는 각 작업에 대해 단 30회의 시연만으로 평균 성공률 65.5%를 달성했으며, 시뮬레이션 증강은 SmolVLA의 성공률을 44.1%에서 74.7%로, π0의 성공률을 40.4%에서 46.5%로 향상시켜 Pipette이 데이터 효율적인 VLA(Visual Learning and Adaptation) 학습 및 평가에 효과적임을 입증합니다. 또한, Pipette은 자연어 기반의 장면 구성 및 작업 등록 기능을 지원하여, 전문가가 아닌 사용자가 새로운 실험실 로봇 작업을 정의하는 데 필요한 장벽을 낮춥니다.

Wet-lab robots can improve the reproducibility, throughput, and safety of biomedical experiments, but scaling their learning requires customizable simulators for safe and reproducible task generation, open editable laboratory assets, and efficient pipelines that turn limited demonstrations into usable training data. We present Pipette, an embodied simulation platform, benchmark, and data-efficient augmentation framework for wet-lab robot learning. Pipette releases over 43 open-source and re-editable wet-lab assets, together with an extensible asset-building pipeline. A key component of Pipette is its simulation-based data augmentation pipeline, replaying human demonstrations in simulation, applies lighting, camera, speed, and action perturbations, and filters generated episodes with automatic task success checks, rapidly expanding usable training data from limited manual demonstrations. We further introduce an 11-task wet-lab embodied benchmark covering sample handling, culture-ware manipulation, device operation, and precision placement. With only 30 demonstrations per task, ACT achieves 65.5% average success rate, while simulation augmentation improves SmolVLA from 44.1% to 74.7% and π0 from 40.4% to 46.5%, validating the effectiveness of Pipette for data-efficient VLA training and evaluation. Pipette also supports natural-language-driven scene construction and task registration, lowering the barrier for non-expert users to define new wet-lab robotic tasks.