여러 경험을 흡수하는 모델
과제별로 작은 정책을 따로 만드는 대신 다양한 로봇 자료를 받아들일 수 있는 고용량 구조를 사용한다. 특정 작업에만 제한하지 않는 학습을 범용 제어의 기반으로 살핀다.
자료량과 다양성
같은 작업 기록을 많이 늘리는 것과 다른 작업 경험을 추가하는 것은 다르다. RT-1 연구는 자료의 크기뿐 아니라 다양성을 바꿨을 때 나타나는 일반화를 비교했다.
모델 크기의 역할
큰 모델의 장점을 판단하려면 학습 자료의 규모도 함께 보아야 한다. 연구는 여러 모델 계열과 용량을 비교해 로봇 자료를 활용하는 구조의 확장 특성을 분석했다.
실제 작업과 일반화
평가는 실제 로봇에서 수집한 작업을 바탕으로 수행됐다. 새로운 조건에서의 성능은 학습에 포함된 경험과 시험 설정에 의존하므로 모델 이름만으로 범용 수행을 단정할 수 없다.
관련 문서
RT-2 / Open X-Embodiment / 트랜스포머 / 전이 학습 / 모방 학습 / OpenVLA