걷기는 풀렸다, 다음은 잡기다 — G1 양팔 매니퓰레이션에서 부딪힌 벽들 (계속)
G1이 걷는 데 성공한 뒤 다음 목표는 팔로 물건을 집는 일이었습니다. 그런데 로봇의 손에는 물건을 만질 수 있는 표면조차 없었습니다. 거기서부터 시작해 지금까지 부딪힌 문제와, 확정된 것과 아직 안 되는 것을 구분해 남긴 기록입니다.
G1
G1이 가상환경에서 앞으로 걷기까지 — 실패한 학습 루프를 다시 설계한 기록
로봇이 넘어지지 않고 앞으로 움직이면, 이제 “걷기에 성공했다”고 말해도 될까요? 3주 넘게 G1 보행 정책을 학습시키며 이 질문의 기준이 계속
최신 G1 논문들을 읽고, 보상 함수 하나에 모든 것을 맡기지 않기로 한 이유
휴머노이드의 걸음이 마음에 들지 않을 때 보상 계수를 더 고치면 결국 원하는 움직임에 도달할 수 있을까요? 최근 G1 전신 제어
bag 안에 topic이 있는데 왜 callback은 오지 않는가: G1 rosbag2·MCAP 재현 계약
rosbag에 topic과 message count가 있어도 같은 실패가 재현되는 것은 아닙니다. QoS 호환성, /clock, /tf와 /tf_static, MCAP 무결성, 실행 identity를 하나의 재현 계약으로 묶고 authority-0 시험의 통과 기준을 정리합니다.
ROS 2를 처음 보면 무엇부터 이해해야 할까: G1의 node·topic·service·action 실행 지도
현재 G1의 73차원 관측→29차원 행동 경로와 아직 구현되지 않은 live ROS 2 graph를 구분하며 node·topic·service·action의 역할을 설명합니다.
AI 모델은 어떻게 학습하는가: G1 정책의 loss·gradient·checkpoint
현재 G1의 73차원 관측과 29차원 행동을 따라 forward, rollout, loss, backward, optimizer step, checkpoint의 차이를 설명합니다.
MLP·CNN·Transformer는 무엇이 다른가: G1 정책과 VLA로 읽는 AI 모델 구조
현재 G1의 73차원 MLP와 OpenVLA 경로를 기준으로 MLP·CNN·Transformer가 입력 구조를 어떻게 다르게 처리하는지 설명합니다.
AI에서 텐서·차원·배치란 무엇인가: G1 4,096대를 한 번에 계산하는 법
현재 G1의 73차원 관측과 4,096개 병렬 환경을 기준으로 tensor shape, batch, broadcasting, reduction, rollout의 의미와 흔한 축 오류를 설명합니다.
CPU·GPU·CUDA·VRAM은 무엇이 다른가: G1 4,096개 환경의 계산 경로
현재 G1의 GPU 학습 경로와 CPU 단일 추론 경로를 따라 CPU·GPU·CUDA·VRAM의 역할, 데이터 이동, 메모리 peak와 검증 경계를 설명합니다.
Epoch·Iteration·Step은 무엇이 다른가: G1 PPO와 Octo 학습 횟수 읽는 법
Epoch·iteration·step을 같은 학습 횟수로 비교하면 왜 틀리는지, 현재 Octo 모방학습과 G1 RSL-RL PPO 코드의 sample·batch·optimizer update 경계를 실제 설정값으로 계산해 정리합니다.