💻 computer science

Green-VLA: Staged Vision-Language-Action Model for Generalist Robots

이 논문은 3,000 시간의 대규모 데이터와 5 단계 커리큘럼 학습을 통해 다양한 로봇 형태에 적용 가능하면서도 안전성과 장기 작업 효율성을 극대화하는 범용 휴머노이드 로봇용 단계적 비전 - 언어 - 행동 (VLA) 프레임워크인 Green-VLA 를 제안합니다.

원저자: I. Apanasevich, M. Artemyev, R. Babakyan, P. Fedotova, D. Grankin, E. Kupryashin, A. Misailidi, D. Nerus, A. Nutalapati, G. Sidorov, I. Efremov, M. Gerasyov, D. Pikurov, Y. Senchenko, S. Davidenko, D.

게시일 2026-03-10

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: I. Apanasevich, M. Artemyev, R. Babakyan, P. Fedotova, D. Grankin, E. Kupryashin, A. Misailidi, D. Nerus, A. Nutalapati, G. Sidorov, I. Efremov, M. Gerasyov, D. Pikurov, Y. Senchenko, S. Davidenko, D. Kulikov, M. Sultankin, K. Askarbek, O. Shamanin, D. Statovoy, E. Zalyaev, I. Zorin, A. Letkin, E. Rusakov, A. Silchenko, V. Vorobyov, S. Sobolnikov, A. Postnikov

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🤖 그린-VLA: 로봇을 위한 '5 단계 성장 커리큘럼'

이 논문은 Sber Robotics Center에서 개발한 **'그린-VLA(Green-VLA)'**라는 새로운 로봇 인공지능 시스템을 소개합니다. 이 시스템은 인간형 로봇 '그린(Green)'을 위해 만들어졌지만, 다른 모든 종류의 로봇에도 똑같이 잘 작동하도록 설계되었습니다.

기존의 로봇 학습 방식이 "데이터만 많이 먹으면 잘한다"는 생각이었다면, 그린-VLA 는 **"잘 정제된 식단을 5 단계로 나누어 먹여야 진짜로 똑똑해진다"**는 철학을 가지고 있습니다.

이 복잡한 기술을 일상적인 비유로 쉽게 설명해 드릴게요.

🌱 1. 핵심 아이디어: 로봇도 '교육 과정'이 필요하다

기존의 로봇들은 주로 '모방 학습(Behavior Cloning)'이라는 방식을 썼습니다. 이는 마치 유치원생이 선생님의 행동을 그대로 따라 하는 것과 같습니다. 하지만 선생님이 실수하면 따라 하고, 복잡한 상황에서는 당황하기 쉽습니다.

그린-VLA 는 로봇을 5 단계에 걸친 체계적인 교육 과정을 통해 성장시킵니다.

단계 0 (L0): 기초 체력 다지기 (일반적인 AI)

비유: 로봇이 아직 태어나기 전, 유아용 동화책과 만화책을 읽는 단계입니다.
내용: 로봇은 아직 물리 법칙이나 사물을 잡는 법을 모릅니다. 대신 인터넷에 떠도는 수많은 이미지와 텍스트를 보며 "사과가 빨간색이다", "컵은 물이 들어간다" 같은 일반 상식을 배웁니다.

단계 1 (L1): 세상 이해하기 (시각과 언어 연결)

비유: 이제 유치원생이 되어, 그림책을 보며 "이건 뭐지?"라고 질문하고 답을 찾는 훈련을 합니다.
내용: 로봇은 사물의 위치, 모양, 공간 관계를 이해하는 법을 배웁니다. "책상 위"가 어디인지, "왼쪽"과 "오른쪽"의 차이를 언어와 시각으로 연결합니다.

단계 2 (R0): 다양한 로봇 경험 쌓기 (범용 로봇 훈련)

비유: 이제 로봇은 다양한 직업군 (요리사, 배달원, 공장 노동자) 에서 일하는 선배들의 일기를 읽습니다.
내용: 인간형 로봇, 팔만 있는 로봇, 바퀴 달린 로봇 등 서로 다른 모양의 로봇 3,000 시간 분량의 데이터를 학습합니다. 중요한 점은 로봇의 모양 (팔 길이, 손가락 개수) 에 상관없이 '물건을 잡는다'는 핵심 개념을 배우는 것입니다.

단계 3 (R1): 내 몸에 맞춰 다듬기 (맞춤형 적응)

비유: 이제 자신의 신체 조건에 맞춰 운동 선수가 되는 훈련입니다.
내용: 특정 로봇 (예: 인간형 로봇 '그린') 에게 최적화됩니다. "내 팔은 32 개 관절이 있으니, 이렇게 움직여야겠다"는 식으로 자신만의 동작 패턴을 정교하게 다듬습니다.

단계 4 (R2): 실전 훈련과 보상 (강화 학습)

비유: 실전 경기에서 실수하면 바로 수정하고, 성공하면 칭찬을 받는 훈련입니다.
내용: 단순히 따라 하는 것을 넘어, "이렇게 하면 물건을 떨어뜨린다 (실패)"거나 "저렇게 하면 더 빨리 끝난다 (성공)"는 보상과 처벌을 통해 스스로 학습합니다. 실패를 극복하고 긴 작업을 완수하는 능력을 기릅니다.

🛠️ 2. 그린-VLA 의 특별한 기술들 (요리사 비유)

이 시스템이 다른 로봇과 다른 점은 다음과 같은 '비밀 무기'들을 가지고 있기 때문입니다.

데이터 청소부 (DataQA):
- 비유: 요리 재료 중 상한 채소나 이물질은 버리고, 신선한 것만 골라내는 과정입니다.
- 설명: 로봇이 찍은 영상 중 흔들리거나 흐릿한 것은 버리고, 깔끔하고 의미 있는 데이터만 학습에 사용합니다.
통일된 언어 (Unified Action Space):
- 비유: 모든 로봇이 같은 언어로 대화할 수 있게 하는 통역사입니다.
- 설명: 로봇마다 팔 관절 수나 손 모양이 다릅니다. 그린-VLA 는 이를 모두 '통일된 동작 코드'로 변환하여, 한 로봇이 배운 것을 다른 로봇도 바로 이해하고 따라 할 수 있게 합니다.
시간 조절기 (Temporal Alignment):
- 비유: 동영상을 재생할 때 속도를 조절하는 기능입니다.
- 설명: 어떤 로봇은 빠르게 움직이고, 어떤 로봇은 느리게 움직입니다. 그린-VLA 는 이 속도 차이를 보정하여, "빠르게 움직일 때"와 "정교하게 움직일 때" 모두 상황에 맞게 대처할 수 있게 합니다.
실수 방지 시스템 (OOD Detector & JPM):
- 비유: 내비게이션이 길을 잃으면 다시 경로를 재설정하는 기능과 새로운 물건을 처음 볼 때 위치를 추정하는 눈입니다.
- 설명: 로봇이 본 적 없는 물건을 보거나, 위험한 상황에 처하면 스스로 "이건 위험해"라고 판단하거나, "저기 저게 내가 잡아야 할 물건이야"라고 위치를 찾아냅니다.

🏆 3. 실제 성과: 무엇이 달라졌나요?

더 똑똑한 일반화: 새로운 로봇이나 새로운 환경 (예: 낯선 슈퍼마켓 진열대) 에 가도 처음부터 다시 배우지 않고도 즉시 (Zero-shot) 작업을 수행합니다.
긴 작업 성공률 향상: "식탁 치우기"처럼 여러 단계를 거쳐야 하는 복잡한 일에서도 실패를 잘 극복하고 성공합니다.
정밀한 작업: 전자상거래 창고처럼 비슷한 물건이 가득한 곳에서 "주황색 주스"와 "파인애플 주스"를 정확히 구별해 내는 능력을 보여줍니다.

📝 요약

그린-VLA는 로봇에게 단순히 "데이터를 많이 먹이는 것"이 아니라, 기초 상식 → 세상 이해 → 다양한 경험 → 맞춤형 훈련 → 실전 보상이라는 5 단계 커리큘럼을 통해 가르치는 혁신적인 방법입니다.

이 덕분에 로봇은 이제 유리잔을 깨지 않고, 새로운 물건을 보고도 복잡한 일을 스스로 해결할 수 있는 '일반적인 로봇 (Generalist Robot)'으로 거듭났습니다. 마치 유능한 요리사가 다양한 재료를 보고도 즉석에서 맛있는 요리를 만들어내는 것과 같습니다.

Green-VLA: 인간형 로봇을 위한 단계별 비전 - 언어 - 행동 (VLA) 모델에 대한 기술 요약

이 논문은 Sber Robotics Center 에서 제안한 Green-VLA를 소개합니다. 이는 인간형 로봇 (Green robot) 을 포함한 다양한 로봇 embodiment 에 일반화될 수 있는 단계별 (Staged) Vision-Language-Action (VLA) 프레임워크입니다. 단순한 데이터 스케일링을 넘어, 데이터 품질 정렬, 행동 공간의 통합, 그리고 강화학습 (RL) 기반의 정제 과정을 통해 실제 세계 배포에 적합한 범용 로봇 정책을 구축하는 것을 목표로 합니다.

1. 문제 정의 (Problem Statement)

기존의 VLA 모델과 로봇 학습 접근법은 다음과 같은 핵심적인 한계를 겪고 있습니다:

데이터의 이질성과 품질 문제: 로봇 데이터는 관찰 방식, 행동 공간, 샘플링 주파수 등이 제각각이며, 데이터 품질이 매우 다양합니다 (흔들림, 흐릿한 프레임, 일관성 없는 실행 등).
행동 복제 (Behavior Cloning, BC) 의 한계: 기존 BC 는 단기 작업에서는 잘 작동하지만, 장기적 목표 (Long-horizon) 나 복잡한 물리적 상호작용에서는 성능이 포화되며, 실패 복구나 OOD(Out-of-Distribution) 상황에 취약합니다.
실시간 추론의 비효율성: 명시적 추론 (Chain-of-Thought 등) 을 도입한 모델들은 지연 시간 (Latency) 이 길어 실시간 로봇 제어에 적합하지 않습니다.
Embodiment 간 일반화 부재: 단일 정책이 인간형, 모바일 매니퓰레이터, 고정형 암 등 다양한 로봇 구조에 적용되기 어렵습니다.

2. 방법론 (Methodology)

Green-VLA 는 5 단계 커리큘럼과 통합 데이터/제어 스택을 핵심으로 합니다.

2.1 5 단계 학습 커리큘럼

L0 (Base VLM): 대규모 이미지/비디오 - 텍스트 데이터로 사전 훈련된 기초 비전 - 언어 모델 (VLM) 을 기반으로 합니다.
L1 (Web Multimodal Pretraining): 인터넷 규모의 멀티모달 데이터 (VQA, 지시, 공간 추론 등) 를 사용하여 물리적 상식과 시맨틱 그라운딩을 학습합니다.
R0 (General Robotics Pretraining): 3,000 시간 이상의 다양한 로봇 (인간형, 양팔, 단일 암 등) 데이터를 통합된 행동 공간 (Unified Action Space) 에서 사전 훈련하여 보편적인 조작 능력을 습득합니다.
R1 (Embodiment-Specific Adaptation): 특정 로봇 (예: Green humanoid) 에 맞춰 미세 조정 (SFT) 하여 성공률을 높입니다.
R2 (RL Alignment): 강화학습 (RL) 을 통해 장기적 작업 성공률, 실패 복구 능력, 그리고 효율성을 극대화합니다.

2.2 핵심 기술 요소

DataQA 파이프라인: 데이터 품질을 자동 평가 및 필터링합니다.
- 지표: 흔들림 (Jitter), 선명도 (Sharpness), 시각적 다양성 (Diversity), 상태 분산 (Variance) 등을 측정하여 저품질 데이터를 제거합니다.
- 시간 정렬: 광학 흐름 (Optical Flow) 기반의 속도 정렬을 통해 서로 다른 로봇의 실행 속도를 통일합니다.
통합 행동 공간 (Unified Action Space):
- 각 로봇의 고유한 행동 공간 (Joint, Cartesian 등) 을 64 차원의 **통합 행동 공간 ( $A_u$ )**으로 매핑합니다.
- 패딩 (Padding) 대신 **이진 마스크 (Binary Mask)**와 행동 프롬프트를 사용하여, 로봇이 사용하지 않는 차원에 대한 손실 (Loss) 을 제거하고 의미 있는 전이를 가능하게 합니다.
속도 조건부 조절 (Speed-Conditioned Modulation):
- 학습 데이터에 '속도 인자 ( $v$ )'를 주입하여, 모델이 미세한 조작 (느린 속도) 과 빠른 이동 (빠른 속도) 을 모두 학습하도록 합니다. 추론 시 이 인자를 조절하여 정밀성과 효율성을 트레이드오프할 수 있습니다.
지시 기반 안내 모듈 (JPM Guidance):
- Joint Prediction Module (JPM): 언어 지시와 이미지를 기반으로 3D 작업 공간 내 목표 지점을 예측합니다.
- Flow-matching Guidance: 예측된 목표 지점으로 흐름 (Flow) 을 유도하여, 보이지 않거나 희귀한 물체를 정확하게 조작할 수 있게 합니다.
OOD 감지 및 보정:
- 가우시안 혼합 모델 (GMM) 을 사용하여 로봇 상태의 분포를 모델링합니다. OOD 상태에 진입할 가능성이 높으면 경사 하강법을 통해 보정된 행동을 생성하여 안전성을 확보합니다.
RL 정제 (R2):
- 궤적 최적화: Q-function 의 그래디언트를 기반으로 행동을 보정합니다.
- 소스 분포 최적화: Flow-matching 모델의 입력 노이즈 분포를 학습하는 Actor 를 도입하여, 기존 모델 가중치를 직접 수정하지 않고 성능을 향상시킵니다.

3. 주요 기여 (Key Contributions)

품질 중심의 데이터 정렬 파이프라인: DataQA 를 통해 흔들림, 선명도, 다양성 등을 정량화하여 고품질 데이터만 학습에 활용하고, 광학 흐름 기반 시간 정렬을 통해 이질적인 데이터를 통합했습니다.
단계별 VLA 학습 레시피 (L0→L1→R0→R1→R2): 웹 규모의 상식 학습부터 로봇 특화 적응, 그리고 RL 기반의 장기적 목표 정렬까지 이어지는 명확한 학습 경로를 제시했습니다.
다양한 embodiment 에 대한 일반화 검증: 단일 정책이 인간형 로봇, 모바일 매니퓰레이터, 단일 암 등 다양한 로봇을 제어하며, R0 단계에서도 타 모델 대비 우수한 성능을 보이고 R2 를 통해 최상위 성능을 달성함을 입증했습니다.
Green Humanoid 로봇 배포-ready 설계: 32 자유도 (DoF) 의 상체 (머리, 몸통, 양팔, 손) 를 통합 제어하며, 고도화된 작업 계획 (Task Planner) 과 연동되어 실제 환경에서 복잡한 작업을 수행할 수 있습니다.

4. 실험 결과 (Results)

Simpler 및 CALVIN 벤치마크:
- R0 단계: $\pi_0$ , GR00T N1, AgiBot GO-1 등 기존 모델들보다 높은 성공률 (SR) 을 기록했습니다. 특히 데이터 양이 적음 (약 3,000 시간) 에도 불구하고 데이터 품질과 통합 행동 공간의 효과를 입증했습니다.
- R1 단계: CALVIN 환경에서 embodiment 특화 미세 조정을 통해 다중 작업 성공률과 구성적 일반화 능력을 향상시켰습니다.
- R2 단계 (RL 정제): Simpler BRIDGE WidowX 환경에서 R1 대비 성공률이 24% 절대적으로 증가했습니다. CALVIN 에서도 장기 작업의 일관성과 오류 복구 능력이 크게 개선되었습니다.
인간형 로봇 (Green Robot) 평가:
- 다양한 물체 (과일, 포장 식품 등) 를 분류하고 테이블을 치우는 등 복잡한 장기 작업을 성공적으로 수행했습니다.
- OOD 시나리오: 훈련 데이터에 없는 새로운 물체나 배치에서도 높은 성공률을 보였습니다.
- JPM 가이드 효과: 전자상가 선반에서 정확한 SKU(제품 코드) 를 식별하고 집는 작업에서 가이드 모듈을 적용했을 때 성공률이 **95.4%**까지 상승했습니다 (기존 62.3%).
효율성: 단일 모델이 다양한 로봇을 제어하며, 낮은 지연 시간으로 실시간 제어가 가능합니다.

5. 의의 및 결론 (Significance)

Green-VLA 는 로봇 학습의 패러다임을 '단순한 데이터 스케일링'에서 '품질 정렬과 단계적 학습'으로 전환시켰다는 점에서 의의가 큽니다.

실용성: 웹 규모의 상식 학습과 로봇 특화 학습을 결합하여, 실제 환경에서 즉시 배포 가능한 범용 로봇 정책을 제공합니다.
확장성: 통합 행동 공간과 프롬프트 기반 아키텍처를 통해 새로운 로봇 embodiment 에 대한 적응 비용을 크게 낮췄습니다.
신뢰성: RL 정제와 OOD 감지 모듈을 통해 장기 작업에서의 안정성과 안전성을 확보했습니다.

결론적으로, Green-VLA 는 웹 기반의 대규모 멀티모달 데이터와 로봇 데이터를 효과적으로 통합하고, 강화학습을 통해 실제 세계의 복잡성을 해결하는 **실용적이고 확장 가능한 범용 로봇 지능 (Generalist Robotics)**을 위한 청사진을 제시합니다.