데이터셋·하드웨어

동력·힘 제한(PFL)은 협동로봇과 사람이 접촉할 가능성을 인정하되, 접촉 에너지·힘·압력과 끼임 조건을 위험성평가에서 허용 가능한 수준으로 제한하는 운전 방식입니다. 로봇의 정격 힘만 보는 것이 아니라 자유 충돌과 준정적 끼임, 신체 부위, 접촉 면적, 툴·작업물의 모서리를 구분해 실제 경로에서 측정해야 합니다.

속도·거리 감시(SSM)는 사람과 로봇 사이의 보호 분리 거리가 줄어들수록 로봇 속도를 낮추고, 계산된 경계가 침범되면 보호 정지하는 협업 운전 방식입니다. 최소 거리는 고정 숫자가 아니라 사람의 접근 속도, 로봇 반응·정지 시간과 거리, 센서 침입 깊이, 위치 오차와 불확실성을 합쳐 작업별로 계산하고 실측해야 합니다.

로봇 장기 작업은 한 번의 긴 계획을 끝까지 실행하는 문제가 아니라, 이미 끝난 하위 목표와 현재 자원·물체 상태를 기억하고 실패한 단계만 안전하게 재시도하며 환경 변화에 맞춰 다시 계획하는 문제입니다. 작업 원장, 명시적 성공 조건, 재시도 예산과 복구 가능한 checkpoint가 있어야 부분 성공을 잃지 않습니다.

로봇 VLA 경량화는 가중치와 activation을 낮은 bit로 표현하는 양자화, 큰 teacher의 출력을 작은 student에 옮기는 증류로 메모리·연산·지연을 줄이는 작업입니다. 모델 파일 크기만 비교하면 부족하며 센서 입력부터 action 출력까지의 p99 지연, 전력·열, 연속 제어 오차와 실제 작업 성공을 bit·하드웨어별로 검증해야 합니다.

오픈 보캐뷸러리 로봇 인지는 미리 정한 클래스 번호가 아니라 사용자의 물체 이름과 속성 표현을 영상의 영역·마스크에 연결하고, 깊이·카메라 보정으로 3D instance를 만든 뒤 추적·파지 모듈에 넘기는 과정입니다. 텍스트-박스 일치도만으로는 부족하며 동명이인 해소, 3D 일관성, 가림 뒤 재식별과 조작 성공까지 검증해야 합니다.

로봇 정책 안전 실드는 학습 모델이 낸 행동을 그대로 모터에 보내지 않고, 충돌·속도·관절·안전 집합 제약을 실행 직전에 검사해 허용하거나 수정하거나 안전 정지로 바꾸는 런타임 계층입니다. 불확실성 점수와 달리 금지 조건을 명시하고, 실드 개입률·최소 안전 여유·작업 성공률을 함께 검증해야 합니다.

로봇 보상 모델은 성공 라벨을 직접 쓰기 어려운 작업에서 사람이 두 궤적 중 더 나은 행동을 고르거나 시범 영상의 진행 상태를 제공하면, 관측·행동·시간 구간에 점수를 주는 함수를 학습하는 방법입니다. 쌍대 선호·스칼라·밀집 보상을 구분하고 평가자 일치도, 분포 밖 calibration과 reward hacking을 실제 작업 성공으로 검증해야 합니다.

로봇 정책은 가장 높은 확률의 행동을 항상 실행하기보다 입력이 낯설거나 여러 행동이 비슷할 때 기권할 수 있어야 합니다. 그러나 softmax confidence 하나로는 실패 확률을 알기 어렵고 임계값을 높이면 도움이 너무 자주 필요합니다. 불확실성 기반 기권은 점수, calibration set, 위험 비용과 사람 인계 절차를 하나의 선택 정책으로 설계하는 문제입니다.

새 로봇과 작업에 VLA를 맞출 때 전체 파라미터를 모두 업데이트하면 표현력은 크지만 메모리와 망각 위험이 커집니다. LoRA와 어댑터는 학습 비용을 줄이고 원본 모델을 보존하지만 action head·카메라·로봇 몸체 차이가 크면 제한될 수 있습니다. 선택은 GPU 크기보다 어떤 분포가 바뀌었는지와 배포 제약을 기준으로 해야 합니다.

VLA는 연속 위치·회전·그리퍼 명령을 언어 모델처럼 예측하려고 action을 이산 토큰으로 바꿀 수 있습니다. 이때 bin 수, 범위, 시간 압축 방식이 제어 해상도와 시퀀스 길이, 추론 지연을 동시에 결정합니다. 행동 토큰화는 단순한 숫자 변환이 아니라 어떤 오차와 동작 구조를 모델에 남길지 정하는 설계입니다.