로봇이 데이터 효율성을 유지하면서 자연어 명령으로부터 작업을 이해하고 실행할 수 있도록 하는 것은 여전히 도전적인 과제로 남아 있습니다. 시각-언어-행동 (VLA) 및 시각-언어 모델 (VLMs)과 같은 파운데이션 모델 (Foundation models)은 직관적인 상호작용 채널을 제공하지만 방대한 데이터를 필요로 합니다. 반면, 작업 매개변수화 모방 학습 (task-parameterized imitation learning)은 데이터 효율성을 달성하지만 자연어 접지 (natural language grounding)가 부족합니다. 본 연구는 작업 매개변수화 커널화 운동 원형 (TP-KMPs)과 사전 학습된 VLMs를 결합한 모듈형 아키텍처를 통해 이 간극을 메웁니다. 학습 과정에서 기술은 2~5회의 운동 감각 시연 (kinesthetic demonstrations)을 통해 습득되며, VLM은 각 기술의 매개변수와 전제 조건을 설명하는 기술 스키마 (skill schemas)를 생성합니다. 실행 과정에서 VLM은 명령을 해석하여 기술을 선택하고, 매개변수 바인딩 (parameter bindings)에 대해 추론하며, 공분산 가중 구성 (covariance-weighted composition)을 통해 새로운 행동을 생성합니다. 적절한 기술이나 구성이 없는 경우, 시스템은 역량 격차 (capability gaps)를 식별하고 타겟팅된 시연을 요청하며, 이 모든 과정은 미세 조정 (fine-tuning) 없이 수행됩니다. 7-DoF 매니퓰레이터 (manipulator)를 통한 검증 결과, 기술 선택, 구성 및 능동 학습 (active learning)이 필요한 시나리오에서 73.3%~100%의 성공률을 보였습니다.