벤치마크 성능과 신뢰할 수 있는 실제 환경 운영 사이의 격차를 줄이는 것은 실행 오류, 분포 변화(distribution shifts), 환경적 가변성을 처리해야 하는 시각-언어-행동 (Vision-Language-Action, VLA) 휴머노이드 로봇의 핵심 과제로 남아 있습니다. 본 논문은 Unitree G1-Edu 휴머노이드 로봇과 GR00T N1.6 파운데이션 모델 (foundation model)을 사용하여 슈퍼마켓 칩 재입고 작업에서 평가된 시스템 수준의 접근 방식인 DEED (Data-Efficient Post-Training and Experience-Driven Learning)를 제시합니다. DEED는 세 가지 핵심 구성 요소로 이루어져 있습니다: (1) 제어 주파수 정렬 (control-frequency alignment), 데이터 큐레이션 (data curation), 작업 관련 시각적 강조 (task-relevant visual highlighting), 그리고 VLA 의존성 감소를 포함하는 데이터 효율적 사후 학습 (post-training) 파이프라인; (2) 텍스트 기반 이점 접두사 (text-based advantage prefix)와 시각-언어 가치 함수 (vision-language value function)를 통해 RECAP에서 변형된 경험 기반 정교화 (experience-driven refinement)에 대한 실제 환경 연구; (3) 분포 내 (in-distribution) 및 분포 외 (out-of-distribution) 동작을 연구하기 위한 잠재 공간 (latent-space) 분석 도구입니다. 우리의 결과는 실험실과 매장 간의 격차를 해소하는 것이 아키텍처의 문제라기보다는 주로 시스템 통합의 과제임을 시사합니다. 즉, 세심한 데이터 설계와 타겟팅된 사후 학습을 통해 단 하나의 GPU만을 사용하여 단순한 미세 조정 (fine-tuning) 하에서 실패하는 정책을 유능한 실제 환경 시스템으로 변모시킬 수 있습니다.