전체 6편 중 6편 정리 완료
화면 밖으로 나온 AI 가 챗봇과 무엇이 다른지, 로봇의 두뇌인 policy 와 VLA 가 어떤 자리에 있는지, 왜 시뮬레이션이 먼저인지를 기본 개념 셋으로 잡습니다.
로봇용 foundation model 이 무엇인지, VLA 와 world model 이 어떻게 갈라지는지, 벤치마크와 시뮬레이션이 왜 필요한지, 그리고 시뮬레이션의 함정인 sim-to-real gap 을 두 갭으로 나눠 봅니다.
사전학습 → SFT → RFT 세 단계로 범용 모델을 내 로봇에 적응시키는 흐름을 따라갑니다. MDP 를 수식 없이 풀고, 모방학습과 강화학습을 언제 고르는지, PPO 가 왜 조금씩 움직이는지, GRPO 가 왜 critic 을 없앴는지까지 봅니다.
VLA 를 부품 세 개로 분해하고, 행동을 만드는 방법(token · diffusion · flow matching)을 장애물 우회 예제 하나로 설명합니다. 새 로봇에 어댑터만 갈아끼우는 이유, world model 과의 관계, 그리고 loss 가 낮아도 성공률이 안 오르는 covariate shift 까지 봅니다.
로봇의 구조를 적는 URDF, 손끝을 움직이는 FK 와 IK, 계층 제어와 제어 주기, 로봇이 보고 느끼는 관측을 정리하고, 이 분야가 아직 풀지 못한 문제 다섯 가지를 정리합니다.
시뮬레이션·fine-tuning·엣지 배포 세 워크로드가 왜 GPU 와 스토리지를 많이 쓰는지, 데이터 수집부터 현장 추론까지 도는 flywheel, 규모별 학습 인프라 선택, 그리고 바로 써 볼 수 있는 공개 자산을 정리합니다. AWS 서비스 이름으로 설명하지만 구조는 어느 클라우드에서나 같습니다.