예시 답변 1
약 86초
작업 시연 데이터 수집·멀티모달 정렬·데이터 품질 필터링으로 VLA 학습 데이터 결
Vision-Language-Action 모델 학습을 위한 데이터를 구축할 때 가장 중요하게 생각한 것은 작업 시연 데이터의 다양성이었습니다. 같은 작업을 다양한 조명·위치·방향에서 수집해야 환경 변화에 강건한 정책 학습이 가능했고, 단조로운 데이터로는 일반화가 잘 되지 않았습니다.
비전 입력과 언어 지시, 행동 레이블을 동기화하는 것이 핵심 기술 과제였습니다. 타임스탬프 기반으로 카메라 프레임, 언어 명령, 로봇 상태를 정렬하는 파이프라인을 구성했고, 동기화 오류가 1프레임만 어긋나도 학습 품질이 크게 떨어졌습니다.
데이터 품질 필터링도 별도로 수행했습니다. 수집된 시연 중 작업 실패나 이상 행동이 포함된 시퀀스를 자동으로 검출해 학습에서 제외했습니다. 노이즈가 많은 시연을 학습 데이터에 포함하면 정책이 잘못된 패턴을 학습하는 문제가 생겼기 때문입니다.
이 결의 특징
Vision-Language-Action 모델 학습을 위한 데이터를 구축할 때 가장 중요하게 생각한 것은 작업 시연 데이터의 다양성이었습니다. 같은 작업을 다양한 조명·위치·방향에서 수집해야 환경 변화에 강건한 정책 학습이 가능했고, 단조로운 데이터로는 일반화가 잘 되지 않았습니다라는 흔적이 있습니다
이 결이 통하는 자리
같은 작업을 다양한 조명·위치·방향에서 수집해야 환경 변화에 강건한 정책 학습이 가능했고, 단조로운 데이터로는 일반화가 잘 되지 않았습니다. 비전 입력과 언어 지시, 행동 레이블을 동기화하는 것이 핵심 기술 과제였습니다. 데이터 품질 필터링도 별도로 수행했습니다. 수집된 시연 중 작업 실패나 이상 행동이 포함된 시퀀스를 자는 자리에서 통합니다