AAAI 2026 로코 챌린지: 산업 자동화를 위한 로봇 협업 조립 성능 벤치마킹

RoCo Challenge at AAAI 2026: Benchmarking Robotic Collaborative Manipulation for Assembly Towards Industrial Automation

인공지능 로봇 기술(EAI)은 빠르게 발전하며, 기존의 독립적인 인식 시스템의 패러다임을 벗어나 통합적이고 지속적인 행동으로 전환되고 있습니다. 이러한 전환은 산업용 로봇 조작에 매우 중요한 의미를 가지며, 인간 노동자가 반복적이고 위험한 일상 업무에서 벗어날 수 있는 가능성을 제시합니다. 이러한 능력을 벤치마킹하고 발전시키기 위해, 우리는 시뮬레이션 및 실제 조립 조작을 위한 데이터셋을 기반으로 로봇 협업 조립 지원(RoCo) 챌린지를 소개합니다. 본 챌린지는 인간 중심의 제조 환경을 배경으로 하며, 정밀한 행성 기어박스 조립 작업을 중점적으로 다룹니다. 이는 현대 산업에서 매우 까다롭지만 대표적인 작업입니다. Isaac Sim 환경에서 자체 개발한 데이터 수집, 훈련 및 평가 시스템을 기반으로 하며, 실제 환경에서는 듀얼 암 로봇을 사용하여 두 단계로 진행됩니다. 시뮬레이션 단계에서는 세분화된 작업 단계를 정의하여 장기적인 조립 과정을 단계별로 평가합니다. 실제 환경 단계는 물리적인 기어박스 부품과 고품질의 원격 조작 데이터를 사용하여 동일한 평가를 수행합니다. 핵심 과제는 세 개의 행성 기어, 선 기어, 그리고 링 기어를 포함한 행성 기어박스를 처음부터 조립하는 것입니다. 60개 이상의 팀과 170명 이상의 참가자가 10개국 이상에서 참여한 본 챌린지는 ARC-VLA와 RoboCola와 같은 효과적인 솔루션을 도출했습니다. 결과는 장기적인 다중 작업 학습을 위한 듀얼 모델 프레임워크가 매우 효과적이며, 실패 복구 교육 데이터의 전략적 활용이 성공적인 배포에 중요한 요소임을 보여줍니다. 본 보고서는 챌린지의 구성, 평가 방법, 주요 결과 및 산업용 EAI의 미래 방향을 설명합니다. 데이터셋, CAD 파일, 코드 및 평가 결과는 다음 웹사이트에서 확인할 수 있습니다: https://rocochallenge.github.io/RoCo2026/.

Embodied Artificial Intelligence (EAI) is rapidly developing, gradually subverting previous autonomous systems' paradigms from isolated perception to integrated, continuous action. This transition is highly significant for industrial robotic manipulation, promising to free human workers from repetitive, dangerous daily labor. To benchmark and advance this capability, we introduce the Robotic Collaborative Assembly Assistance (RoCo) Challenge with a dataset towards simulation and real-world assembly manipulation. Set against the backdrop of human-centered manufacturing, this challenge focuses on a high-precision planetary gearbox assembly task, a demanding yet highly representative operation in modern industry. Built upon a self-developed data collection, training, and evaluation system in Isaac Sim, and utilizing a dual-arm robot for real-world deployment, the challenge operates in two phases. The Simulation Round defines fine-grained task phases for step-wise scoring to handle the long-horizon nature of the assembly. The Real-World Round mirrors this evaluation with physical gearbox components and high-quality teleoperated datasets. The core tasks require assembling an epicyclic gearbox from scratch, including mounting three planet gears, a sun gear, and a ring gear. Attracting over 60 teams and 170+ participants from more than 10 countries, the challenge yielded highly effective solutions, most notably ARC-VLA and RoboCola. Results demonstrate that a dual-model framework for long-horizon multi-task learning is highly effective, and the strategic utilization of recovery-from-failure curriculum data is a critical insight for successful deployment. This report outlines the competition setup, evaluation approach, key findings, and future directions for industrial EAI. Our dataset, CAD files, code, and evaluation results can be found at: https://rocochallenge.github.io/RoCo2026/.