OpenArm

OpenArm이란?

Enactic, Inc.가 개발한 완전 오픈소스 7DOF 휴머노이드 로봇 팔이다. 하드웨어·소프트웨어·CAD 파일 모두 공개되어 있으며, 실세계 접촉 조작 태스크(contact-rich manipulation) 연구·개발용으로 설계되었다.

하드웨어 스펙

항목 수치
자유도 7 DOF + 그리퍼 (총 8축)
팔 도달 거리 633 mm
자체 무게 약 5.5 kg (팔 1개)
정격 페이로드 4.1 kg
최대 순간 페이로드 6.0 kg
기준 신체 키 160–165 cm 인간 비례
구조재 알루미늄 + 스테인리스 스틸 + 3D 프린팅 외장

모터 구성 (Damiao QDD 백드라이버블)

관절 역할 모터
Joint 1 Shoulder pan DM8009
Joint 2 Shoulder lift DM8009
Joint 3 Shoulder rotation DM4340
Joint 4 Elbow flex DM4340
Joint 5 Wrist roll DM4310
Joint 6 Wrist pitch DM4310
Joint 7 Wrist rotation DM4310
Gripper 그리퍼 DM4310

QDD(준직접구동) + 백드라이버블: 외력에 순응하며 충돌 시 역방향으로 밀려나는 구조. 인간-로봇 상호작용 안전성에 유리하지만, 전원 차단 시 쥐고 있던 물체가 빠르게 낙하하는 특성이 있으므로 주의 필요.

가격 및 구매처

구성 가격
바이매뉴얼(양팔) 완성품 공식 기준 $6,500 USD
WowRobo 단품 (카드) $5,400 USD
WowRobo 단품 (계좌이체) $5,000 USD
기타 공인 제조사 범위 $4,699 – $5,800 USD
  • WowRobo (선전, 중국): 리드타임 10–15일, 한국 배송비 $150/세트. 구매 링크
  • VLAI Robotics: 리드타임 3–12일 (가장 빠름)
  • 전체 공인 제조사 목록: docs.openarm.dev/purchase

주의: 일부 판매자의 “OpenArmX Pro Max” 등 비인증 제품은 공식 OpenArm과 호환되지 않는다. 반드시 공식 공인 제조사 목록에서 구매할 것.

소프트웨어 스택 구조

레포지토리 내용
openarm_hardware CAD 데이터 (STL/STEP/Fusion360)
openarm_description URDF/xacro 시뮬레이션 모델
openarm_can 저수준 CAN 모터 통신 라이브러리
openarm_ros2 ROS2 통합 패키지
openarm_teleop 단방향/양방향 원격 조작
openarm_isaac_lab Isaac Lab 시뮬레이션 환경 
[태스크 레벨]
  LeRobot          — 모방학습 / 정책 학습
  Isaac Lab        — RL 시뮬레이션 학습
  ROS2 + MoveIt    — 고수준 제어

[미들웨어]
  openarm_ros2     — ROS2 패키지
  openarm_teleop   — 원격 조작 제어

[통신 레이어]
  openarm_can      — CAN FD 버스
                     Nominal 1 Mbps / Data 5 Mbps

[하드웨어]
  Damiao 모터 (DM8009 / DM4340 / DM4310)
  CAN bus USB 어댑터 (Linux 전용)

중요: CAN bus USB 어댑터는 Linux 드라이버만 존재. macOS/Windows 미지원.

설치 및 셋업

Step 1 — LeRobot 설치

pip install -e ".[damiao]"
hf auth login --token ${HUGGINGFACE_TOKEN} --add-to-git-credential

Step 2 — CAN 인터페이스 설정

lerobot-setup-can --mode=setup --interfaces=can0,can1
lerobot-setup-can --mode=test  --interfaces=can0,can1
ip link show can0

Step 3 — 캘리브레이션

# 팔로어 암
lerobot-calibrate \
    --robot.type=openarm_follower \
    --robot.port=can0 \
    --robot.side=right \
    --robot.id=my_openarm_follower

# 리더 암
lerobot-calibrate \
    --teleop.type=openarm_leader \
    --teleop.port=can1 \
    --teleop.id=my_openarm_leader

Step 4 — 원격 조작 (텔레오퍼레이션)

# 양팔 (바이매뉴얼) — CAN 포트 4개 필요
lerobot-teleoperate \
    --robot.type=bi_openarm_follower \
    --robot.left_arm_config.port=can0 \
    --robot.left_arm_config.side=left \
    --robot.right_arm_config.port=can1 \
    --robot.right_arm_config.side=right \
    --robot.id=my_bimanual_follower \
    --teleop.type=bi_openarm_leader \
    --teleop.left_arm_config.port=can2 \
    --teleop.right_arm_config.port=can3 \
    --teleop.id=my_bimanual_leader

집안일 적용 — 빨래 개기

접근 방법 비교

방법 난이도 적합성 비고
모방학습 (ACT 정책) 중 높음 현재 가장 현실적인 경로
모방학습 (Diffusion Policy) 중상 높음 느리지만 정교한 동작
RL (Isaac Lab 시뮬) 높음 중 Sim2Real 코드 미출시
VLA 모델 높음 잠재력 높음 연구 단계

모방학습 워크플로우 (ACT)

1단계: 텔레오퍼레이션으로 시연 데이터 수집

lerobot-record \
    --robot.type=openarm_follower \
    --robot.port=can0 --robot.side=right \
    --robot.id=my_follower \
    --teleop.type=openarm_leader \
    --teleop.port=can1 --teleop.id=my_leader \
    --repo-id=내_HF계정/laundry_folding_dataset \
    --fps=30 \
    --num-episodes=50

LeRobot 해커톤 우승팀이 SO-100 양팔 로봇으로 T셔츠 접기를 구현한 사례: 50 에피소드 수집 후 ACT 학습 → 70% 성공률, 추가 보강 후 85% 성공률 달성. 4카메라 세팅 사용.

2단계: ACT 정책 학습

lerobot-train \
  --dataset.repo_id=${HF_USER}/laundry_folding_dataset \
  --policy.type=act \
  --output_dir=outputs/train/act_laundry \
  --policy.device=cuda \
  --wandb.enable=true

3단계: 평가(추론)

lerobot-record \
  --robot.type=openarm_follower \
  --robot.port=can0 \
  --dataset.repo_id=${HF_USER}/eval_laundry \
  --dataset.single_task="Fold the T-shirt" \
  --control.policy.path=outputs/train/act_laundry/checkpoints/last/pretrained_model

활용 가능한 데이터셋

  • Hugging Face LeRobot 허브 — 다양한 조작 태스크 공개 데이터셋
  • BridgeData V2 — 가정용 조작 태스크 대규모 데이터셋 (이식 가능)
  • OpenArm 전용 빨래 데이터셋은 현재 없음 → 직접 수집 필요

구매 전 체크리스트

필수 전제 지식

분야 필요 수준
Linux (Ubuntu) 시스템 관리 중급 이상 필수
Python 프로그래밍 중급 이상 필수
CAN 버스 통신 개념 기초 이해 필요
로봇공학 기초 (FK/IK, 좌표계) 권장
PyTorch / 딥러닝 모방학습 활용 시 필수
ROS2 고급 제어 시 필요

필요 추가 장비

  • Linux PC (Ubuntu 권장) — macOS/Windows 사용 불가
  • NVIDIA GPU — RL 학습 시 필수 (최소 RTX 3080 권장)
  • 카메라 2–4대 — USB 웹캠 또는 Intel RealSense
  • CAN bus USB 어댑터 — 양팔 시 4포트 필요
  • 작업대 — 볼트/클램프로 고정 가능한 안정적 표면

안전 주의사항

  • 전원 차단 시 낙하: QDD 특성상 비상정지 시 물체가 빠르게 떨어짐. 작업대 아래 위험 요소 제거 필수
  • 끼임 위험: 텔레오퍼레이션 중 팔꿈치·어깨 부위 손가락 끼임 사고 위험. 헐렁한 옷 금지
  • 페이로드 엄수: 정격 4.1 kg 초과 금지 (빨래 개기는 페이로드 여유 있음)
  • Isaac Lab Sim2Real 미완성: RL 시뮬레이션 → 실제 로봇 전이 코드 공식 미출시 상태

빨래 개기 프로젝트 로드맵

단계 내용 예상 기간
1. 구매 양팔 세트 주문 (WowRobo 등 공인 제조사), $5,000–6,500 리드타임 10–40일
2. 환경 구성 Linux PC + CAN USB 4포트 + GPU + 카메라 2–4대 + 작업대 고정 2–3주
3. 소프트웨어 셋업 LeRobot 설치 → CAN 설정 → 캘리브레이션 1주
4. 데이터 수집 리더 암으로 직접 시연 50–100 에피소드, 30fps 멀티카메라 1–2주
5. 모방학습 훈련 lerobot-train –policy.type=act (GPU 기준 수 시간) 1–3일
6. 평가 및 반복 성공률 측정 → 데이터 보강 → 재훈련 반복

커뮤니티 및 리소스

Scroll to Top