모듈 5심화21분
LeRobotDataset과 LoRA 파인튜닝
feature schema와 episode 경계를 고정하고 LoRA의 비용·표현력 trade-off를 이해한다.
이 레슨을 마치면
- dataset schema의 action 의미를 명시한다.
- LoRA rank와 alpha의 역할을 구분한다.
1
데이터셋은 파일 묶음이 아니라 계약
- feature 이름·shape·dtype·unit
- action이 absolute인지 delta인지
- timestamp 정렬 정책
- episode 경계와 train/validation split
- finalize로 metadata와 index 완성
2
저랭크 업데이트
LoRA는 pretrained weight를 고정하고 작은 저랭크 행렬을 학습한다. rank가 높으면 표현력이 커질 수 있지만 메모리와 파라미터 수도 늘어난다.
비교 기준
trainable/total parameter와 task success를 함께 기록하고 full fine-tuning baseline과 비교한다.
장비 없이 먼저 해보기
가상실습
실제 장비의 정밀한 동작을 재현하는 대신, 제어값을 바꾸고 결과를 관찰하는 실습 흐름을 안전하게 연습합니다.
Browser simulation
멀티레이트 센서 시간 정합
서로 다른 주기의 카메라와 관절 상태 메시지를 timestamp 기준으로 짝지어 데이터셋에 넣을지 판단합니다.
실습 과제: offset을 줄이거나 허용 오차를 조절하여 채택률을 높이고, 너무 큰 허용 오차가 데이터 의미를 흐릴 수 있는 이유를 설명해 보세요.
Camera 15 Hztimestamp stream
Joint 50 Hztimestamp stream
image stamp
0.000s
joint stamp
0.042s
현재 Δt
42ms
허용 오차
30ms
정합 판정
폐기
동기화 범위 밖
- ›대기: 허용 오차와 timestamp offset을 비교하세요.
단순화 안내: 지연, 마찰, 백래시, 센서 비선형성 등 실제 장비의 모든 특성을 재현하지 않습니다. 실물 적용 전에는 저속·제한된 작업공간·비상 정지 조건에서 다시 검증하세요.
바로 확인하기
자가 점검
틀려도 괜찮습니다. 해설을 읽고 개념을 다시 연결하는 것이 목표입니다.
자가 점검1 / 2
action schema에서 반드시 명시해야 할 정보는?
답을 선택하거나 입력하면 바로 해설을 확인할 수 있습니다.
레슨을 마쳤나요?
완료 표시 후 다음 작은 단위로 이동하세요.