➖ HG-DAgger와 TaskGen, 로봇 학습 파이프라인이 더 빨라지고 있다
지난주는 생산 환경에서 작업 생성을 가로막고 있던 병목을 해소하고,
장면 변형(Scene Variants)을 핵심 처리 경로에서 분리하며,
HG-DAgger를 로컬 개념 검증 단계에서 실제로 측정 가능한 학습 방식으로 전환하는 데 집중했습니다
이번 주는 더 빠른 장면 전달, 더욱 깔끔해진 검증 과정,
그리고 더 빠른 정책 평가 루프를 구축하는 등 인프라 개선 작업과 함께,
기존 작업 분포와 새로운 작업 분포 모두에서 처음으로 뚜렷한 증류 학습 성능 향상을 확인한 한 주였습니다
🥹 주요 업데이트
🔘장면 및 데이터 수집 환경
장면 변형 로딩 속도를 개선했고, 조명 렌더링을 다시 활성화했으며, 후학습 작업의 점수 산정 기준도 더욱 엄격하게 조정했습니다
🔘작업 생성 및 처리량
LIBERO Pro, RoboCasa, 그리고 바퀴형 로봇 본체를 포함한 다양한 로봇 형태가 정규 작업 생성 대상에 포함됐습니다
바퀴형 Franka도 포함
작업 게시 대기열은 지속적으로 200개 이상을 유지하고 있으며,
정책 모델의 학습 및 평가 처리량은 기존보다 약 3배 향상됐습니다
🔘HG-DAgger 증류 학습
선별된 교정 데이터를 활용한 학습 방식으로 기존 작업 분포와 새로운 작업 분포 모두에서 성공률이 20%p 이상 향상됐습니다
다만 이 결과는 더 많은 시드(seed)를 사용한 추가 검증이 필요합니다
➡️ 자세히 알아보기
Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방