기록 메모 — 이미지와 문장을 이해하는 큰 모델을 로봇 행동에 연결할 때, 공개된 모델은 연구 과정에 어떤 차이를 만들까?
왜 OpenVLA를 따로 봤나
VLA는 Vision-Language-Action의 약자로, 보고 읽고 움직이는 과정을 하나의 모델 흐름으로 묶으려는 접근이다. RT-2가 이 가능성을 넓게 보여줬지만, 모델과 학습 과정의 많은 부분을 직접 확인하기는 어렵다. OpenVLA는 공개 접근 가능한 대형 VLA라는 점에서, 이해한 내용을 실제 실험 설계와 비교할 수 있는 후보로 보였다.
논문의 선택
OpenVLA는 이미지·언어 모델을 바탕으로 로봇 행동을 토큰 형태로 출력하도록 학습한다. 여기서 중요한 점은 단순히 모델의 크기가 아니라, 학습·미세조정·평가의 경로가 연구자가 확인할 수 있는 형태로 열려 있다는 점이다. 완전히 새로운 방식을 만들기보다 기존 VLA 흐름을 공개 도구로 다룰 수 있게 만든 선택으로 읽었다.
내가 보류한 것
현재 프로젝트에 OpenVLA를 바로 붙이지는 않았다. 휴머노이드의 전신 움직임은 조작 중심 데이터와 관측·행동 구조가 다를 수 있어, 이름이 비슷한 모델이라는 이유만으로 가져오면 비교 자체가 흐려질 수 있다. 그래서 먼저 어떤 입력과 행동 공간이 필요한지 정리한 뒤, 그 조건에서 OpenVLA가 기준선이 될 수 있는지 판단하려 한다.
다음 질문
휴머노이드에는 손으로 물체를 다루는 능력뿐 아니라 전신 균형과 빠른 운동 제어가 함께 필요하다. 그 간극을 직접 겨냥한 사례로 GR00T N1을 이어서 읽었다.