Hand-in-the-Loop: 원활한 개입 교정을 통한 숙련된 VLA 성능 향상

요약

Vision-Language-Action (VLA) 모델은 복잡하고 장기적인 환경에서 오류가 누적되기 쉬워 숙련된 조작에 어려움을 겪습니다. 대화형 모방 학습(IIL)을 통해 인간의 개입 데이터를 활용하여 정책 개선이 가능하지만, 고자유도 로봇 손에 적용할 경우 개입 시점의 원격 조작과 정책 실행 간 명령 불일치 문제가 발생합니다.

핵심 포인트

• VLA 모델은 장기적인 숙련된 조작 환경에서 오류가 누적되기 쉽다.
• 대화형 모방 학습(IIL)은 인간의 개입 데이터를 활용하여 VLA 정책을 개선하는 방법이다.
• 고자유도 로봇 손에 IIL을 적용할 때, 원격 조작과 정책 실행 간 명령 불일치 문제가 주요 도전 과제이다.