모듈 목표
- 학습 손실과 작업 성공률을 구별하고 실패 기반 수집 계획 작성.
원안의 선수 안내: M11, M19 기초, M20. 실제 보충은 아래 소주제별 권장 선수를 참고하세요.
M21.01Behavior Cloning·분포 이동·시연 품질
학습 목표
- BC의 관측→행동 지도학습과 절대/증분·손실 단위를 정의하고 합성 예측의 MSE/RMSE를 계산한다.
- 오프라인 관측과 정책 실행의 상태 분포 차이를 설명하고 제한된 폐루프 오차 모형을 계산한다.
- 다중 시연 행동/평균의 실패와 시연 품질·개입/분할 조건을 진단하고 평가 근거를 설계한다.
권장 선수
모두 권장
M11의 손실/학습, M19의 과업/실행과 M20의 시연/분할이 선수다. 상태 분포와 폐루프를 본문에서 보충한다. 기본은 합성 행동/오차 계산이며 정책 학습이나 실제 로봇 실행은 하지 않는다. 이미 알고 있다면 직접 열어볼 수 있습니다.
학습 범위: 기본 설명·예제가 준비되었습니다. 기존 보충 자료의 범위와 구별하세요.
교재 본문: Behavior Cloning·분포 이동·시연 품질 · 본문M21.02관측 구성·행동 공간·정규화·시퀀스
학습 목표
- 정책 입력의 관측 이력/카메라·state shape와 시점 가용성을 정의하고 미래 관측 누설을 진단한다.
- 행동 공간·절대/고정 기준 상대/누적 증분 계약으로 시퀀스를 복원하고 같은 배열의 다른 의미를 계산한다.
- train 행동 통계의 정규화/역변환과 유효 mask 평균을 계산하고 배포/경계 처리 오류를 설명한다.
권장 선수
M11의 shape/손실, M19의 프레임/IK, M20의 스키마/시각과 M21.01의 BC가 선수다. 기본은 작은 tensor 모양/시간표와 종이 계산이며 선택 코드는 표준 Python 산술만 사용한다. 정책 학습이나 실제 로봇 실행은 요구하지 않는다. 이미 알고 있다면 직접 열어볼 수 있습니다.
학습 범위: 기본 설명·예제가 준비되었습니다. 기존 보충 자료의 범위와 구별하세요.
교재 본문: 관측 구성·행동 공간·정규화·시퀀스 · 본문M21.03ACT·Action Chunking·Temporal Ensembling
학습 목표
- ACT의 chunk 길이·실행 길이/재계획과 적용 시각을 구분하고 합성 시간 범위를 계산한다.
- 조건부 VAE/Transformer의 학습·추론 정보 흐름과 재구성/KL 손실·패딩 평균을 설명하고 계산한다.
- 같은 적용 시각 후보의 temporal ensemble을 가중 순서/부호와 함께 계산하고 관측 나이·기하/안전 한계를 판정한다.
권장 선수
M11의 신경망/Transformer 기초와 M21.01/02의 BC·행동 표현/정규화·mask가 선수다. 잠재 변수/조건부 VAE는 본문에서 보충한다. 기본은 합성 chunk/손실·후보 표 계산이며 ACT 모델/실물/GPU 실행은 하지 않는다. 이미 알고 있다면 직접 열어볼 수 있습니다.
학습 범위: 기본 설명·예제가 준비되었습니다. 기존 보충 자료의 범위와 구별하세요.
교재 본문: ACT·Action Chunking·Temporal Ensembling · 본문M21.04Diffusion Policy와 Motion Manifold 접근
학습 목표
- 조건부 action diffusion의 잡음 추가/예측·복원 역할을 설명하고 합성 한 단계의 수치를 계산한다.
- 생성 반복/모델 추론과 물리 제어·chunk 실행을 구분하고 주어진 계산 예산/재계획 시간을 판정한다.
- Motion Manifold Primitives의 경로 집합/잠재·대칭 개념을 설명하고 경로 보간·실행 제약의 반례를 계산한다.
권장 선수
M11의 신경망/확률과 M21.01~03의 다중 행동 모드·표현/정규화·chunk가 선수다. 생성 반복·경로 family/다양체 개념은 본문에서 보충한다. 기본은 합성 스칼라/곡선·시간 계산이며 Diffusion/EMMP 모델 학습·추론이나 GPU/로봇을 실행하지 않는다. 이미 알고 있다면 직접 열어볼 수 있습니다.
학습 범위: 기본 설명·예제가 준비되었습니다. 기존 보충 자료의 범위와 구별하세요.
교재 본문: Diffusion Policy와 Motion Manifold 접근 · 본문M21.05Mobile ALOHA·양팔·이동 조작의 협응
학습 목표
- Mobile ALOHA의 전신 시연을 설명하고 양팔·그리퍼/베이스의 관측/행동과 공통 물체 제약을 구분한다.
- 합성 양팔 접촉점의 베이스 이동/물체 회전과 시각 차이 영향을 계산하고 좌표·시간 계약을 설명한다.
- 정적/이동 조작 자료의 통합·가중 지표를 계산하고 정책/통합 실행의 검증 근거를 설계한다.
권장 선수
M19.06의 이동 베이스 좌표, M20의 시연/시각과 M21.02~04의 정책/시퀀스가 선수다. 양팔 상대 제약과 공동학습은 본문에서 보충한다. 기본은 합성 좌표/데이터 표 계산이며 Mobile ALOHA 장비나 학습 코드를 실행하지 않는다. 이미 알고 있다면 직접 열어볼 수 있습니다.
학습 범위: 기본 설명·예제가 준비되었습니다. 기존 보충 자료의 범위와 구별하세요.
교재 본문: Mobile ALOHA·양팔·이동 조작의 협응 · 본문M21.06학습·롤아웃·미관측 상황·데이터 재수집 루프
학습 목표
- 학습/모델 선택·checkpoint/시험 계약을 설명하고 소형 상수 BC 예의 맞춤값/손실을 계산한다.
- 폐루프 개발 롤아웃의 경로·종료/논리 시간과 성공률 분모·개입을 구분해 계산한다.
- 미관측 상황의 실패 가설과 필요한 재수집/라벨·분할 갱신을 설계하고 개발/회귀 검사와 독립 시험을 구분한다.
권장 선수
모두 권장
M11의 학습/분할, M20의 데이터 품질/재수집과 M21.01/02의 BC·행동 계약을 연결한다. 기본 BC 롤아웃은 ACT·Diffusion·양팔 정책 전체 이수를 요구하지 않는다. 선택 정책의 확장 롤아웃은 해당 M21.03~05를 함께 확인한다. 기본은 합성 1차원 계산과 선택 표준 Python 소형 맞춤/개발 진단이며 신경망·로봇 학습 성과가 아니다. 이미 알고 있다면 직접 열어볼 수 있습니다.
학습 범위: 기본 설명·예제가 준비되었습니다. 기존 보충 자료의 범위와 구별하세요.
교재 본문: 학습·롤아웃·미관측 상황·데이터 재수집 루프 · 본문