# 제5장 LeRobot Dataset과 SmolVLA 파인튜닝 ## 장 개요 로봇을 사람이 직접 조작해 성공 시연(demonstration)을 모으면, 관측에서 행동으로 가는 정책(policy)을 지도학습 형태로 훈련할 수 있다. 그러나 일반 이미지 분류와 달리 로봇 행동은 한 번의 예측이 다음 관측을 바꾸고, 작은 오차가 시간에 따라 누적된다. 데이터 수집, 시계열 정렬, 정규화, 행동 표현, 실시간 추론을 하나의 시스템으로 다뤄야 하는 이유다. 이 장에서는 행동 복제(behavior cloning, BC)의 기본 목적함수와 공변량 이동(covariate shift)을 출발점으로, Action Chunking with Transformers(ACT), Diffusion Policy, Vision-Language-Action(VLA) 모델의 차이를 설명한다. 이어서 Hugging Face LeRobotDataset v3의 Parquet·MP4·메타데이터 구조를 해부하고, SmolVLA를 LoRA(Low-Rank Adaptation)로 미세조정하는 절차를 설계한다. 마지막에는 20 Hz 폐루프(closed-loop) 실행, action chunk, temporal ensembling, 비동기 추론, 안전 필터를 하나의 배포 파이프라인으로 연결한다. 이 장의 버전 기준은 **2026년 10월에 확인한 LeRobot 공식 `main` 문서와 LeRobotDataset v3 계열**이다. LeRobot의 CLI와 configuration key는 빠르게 변할 수 있으므로 실제 실습에서는 설치한 commit과 `lerobot-train --help` 출력을 원고와 함께 보관한다. ![LeRobotDataset v3 구조](images/dataset_v3.svg) **그림 5-1.** 여러 episode가 소수의 Parquet/MP4 shard에 합쳐지고, metadata가 episode 경계를 복원하는 LeRobotDataset v3 구조. ## 학습 목표 이 장을 마치면 학습자는 다음을 수행할 수 있다. 1. behavior cloning의 목적함수와 covariate shift에 의한 오류 누적을 설명할 수 있다. 2. 단일 행동 회귀, ACT, Diffusion Policy, VLA 정책의 표현력과 계산 비용을 비교할 수 있다. 3. LeRobotDataset v3의 `data`, `videos`, `meta` 관계와 episode reconstruction 방식을 설명할 수 있다. 4. 카메라·관절·행동·언어 데이터를 일관된 feature schema로 설계할 수 있다. 5. episode 단위 train/validation/test 분할과 training-only normalization을 구현할 수 있다. 6. SmolVLA의 VLM context와 action expert, action chunk 생성을 설명할 수 있다. 7. full fine-tuning과 LoRA의 parameter/memory trade-off를 평가할 수 있다. 8. training configuration, checkpoint, dataset revision을 재현 가능한 형태로 기록할 수 있다. 9. 20 Hz 폐루프에서 chunk 실행, temporal ensembling, inference latency를 다룰 수 있다. 10. 데이터 공개 전 라이선스, 개인정보, 음성·영상·Hub 접근 권한을 점검할 수 있다. ## 선수 지식과 준비물 이동 로봇의 언어 미션으로 확장할 때는 [M18.04 작업 상태](/study/unit-m18-04-a/)와 [M18.06 주행-조작 전환](/study/unit-m18-06-a/)을 먼저 연결한다. 이 장의 관절 행동 벡터를 베이스 속도 명령으로 그대로 재사용하지 않는다. 행동의 단위·좌표계·유효 시간·중단 의미를 채널별로 정의하고, 정책 출력·미션 요청·실제 도착/조작 성공을 따로 기록한다. E4의 [M20 데이터 파이프라인](/modules/M20/), [M21 모방학습](/modules/M21/), [M22 언어·시각·행동과 실행 감독](/modules/M22/)에서 이 장의 선수 개념을 단위별 계산·실습·문제로 보충한다. [M27 엣지 실행](/modules/M27/)과 [M30 배포·평가](/modules/M30/)를 거쳐 [M32.02 팔 캡스톤](/study/unit-m32-02-a/)의 요구사항·실험표를 작성한다. 교안을 읽고 합성 기록을 분석한 결과와 실제 학습·장비 실증을 구분한다. PyTorch·손실·역전파는 [M11.01](/study/unit-m11-01-a/), 텐서·데이터 로더·저장은 [M11.02](/study/unit-m11-02-a/), 시연 분할·누수는 [M11.03](/study/unit-m11-03-a/)에서 보충한다. [M11.04 표현 모델](/study/unit-m11-04-a/)과 [M11.06 실험 추적](/study/unit-m11-06-a/)을 이 장의 VLA 구조·추론 지연과 연결한다. E3의 작은 CPU 예제는 실제 VLA 학습·성능 검증을 대신하지 않는다. 정책의 관절 목표를 실제 제어기로 넘기는 부분은 [M07.03 포화·샘플링](/study/unit-m07-03-a/), [M07.05 제어 계층·궤적](/study/unit-m07-05-a/), [M07.06 필터·지연](/study/unit-m07-06-a/)과 이어 읽는다. 행동 목표를 잘 예측했다는 결과가 구동기의 추종·접촉·정지 성능까지 보장하지 않으며, [M08.06 구동 인터페이스 계약](/study/unit-m08-06-a/)으로 명령 의미와 단위를 명시한다. 기초 복귀: [M01.02 가상환경·로그](/study/unit-m01-02-a/), [M01.05 재현 환경](/study/unit-m01-05-a/), [M02.04 확률·공분산](/study/unit-m02-04-a/), [M02.05 최적화](/study/unit-m02-05-a/)가 필요하다. E1은 PyTorch·Transformer 전체를 가르치지 않으므로 아래 tensor/attention 용어가 낯설면 후속 M11의 ML 기초를 먼저 학습한다. E1 완료만으로 이 장의 모든 선수가 충족되는 것은 아니다. GPU 없는 학습자는 데이터 분할·정규화 계산·기록 해석을 수행하고 실제 모델 학습·성능 검증과 구분한다. ### 선수 지식 - PyTorch의 tensor, module, optimizer, dataloader - Transformer의 self-attention과 cross-attention - 확률분포, 조건부확률, 평균·표준편차 - 제4장의 센서 timestamp 정렬과 episode 수집 구조 ### 기준 환경 - Ubuntu 24.04 LTS - Python 가상환경 또는 `uv` - CUDA 호환 NVIDIA GPU(학습 시 권장) - Hugging Face 계정과 token(비공개 Hub 저장소를 사용할 경우) - LeRobot repository의 고정 commit 또는 태그 설치 명령은 프로젝트의 현재 문서를 우선한다. SmolVLA 추가 의존성은 공식 문서에서 다음과 같이 안내된다. ```bash # 아래 블록 전체를 실행한다. 실패하면 별도 셸이 중단되어 뒤 설치를 실행하지 않는다. ( set -eu : "${LEROBOT_REVISION:?공식 문서와 검증한 LeRobot 커밋 또는 태그를 지정하세요}" git clone https://github.com/huggingface/lerobot.git cd lerobot git checkout --detach "$LEROBOT_REVISION" python3 -m venv .venv . .venv/bin/activate python -m pip install -e ".[smolvla,peft]" git rev-parse HEAD lerobot-train --help ) ``` 이 블록은 별도 셸에서 실행하므로 끝나면 원래 디렉터리·환경으로 돌아온다. **성공한 경우에만** 이후 작업 셸에서 `cd lerobot`와 `. .venv/bin/activate`로 해당 환경에 들어간다. revision이 없거나 존재하지 않는 태그라면 그 오류부터 해결하고, venv나 패키지 설치가 완료되었다고 간주하지 않는다. 마지막 두 명령의 출력을 실험 기록에 저장한다. `latest` 또는 `main`만 기록하면 같은 실험 환경을 다시 만들 수 없다. ## 5.1 모방학습과 행동 복제 ### 5.1.1 demonstration dataset 시연 데이터셋 \(D\)는 관측 \(o_t\), 행동 \(a_t\), 필요하면 언어 지시 \(l\)의 시계열로 구성된다. \[ D = \{\tau_i\}_{i=1}^{N}, \qquad \tau_i = \{(o_t, a_t, l_i)\}_{t=0}^{T_i-1} \] 관측은 한 장의 이미지가 아니라 여러 카메라 영상, 현재 관절 상태, 그리퍼 상태를 포함할 수 있다. 행동은 다음 joint position, joint delta, end-effector pose, velocity 중 하나다. `action`의 의미를 schema와 unit에 명시하지 않으면 같은 shape의 tensor라도 서로 호환되지 않는다. ### 5.1.2 behavior cloning 목적함수 결정론적 정책이 행동을 직접 회귀한다면 가장 단순한 loss는 다음과 같다. \[ \mathcal{L}_{BC}(\theta) = \mathbb{E}_{(o,a)\sim D} \left[\|\pi_\theta(o)-a\|_1\right] \] L1 또는 Smooth L1은 큰 이상치에 대한 민감도가 L2보다 낮다. 그러나 손실이 작다고 task success가 반드시 높지는 않다. 제곱 L2의 최적 예측은 조건부 평균이며, 성분별 L1은 각 성분의 조건부 중앙값 집합을 최소해로 갖는다. 예를 들어 같은 관측의 1차원 목표가 −1과+1로 같은 빈도라면 평균 제곱 오차는 예측0에서 유일하게 최소지만, 평균 L1은 −1~+1 전체에서 같은 최소값1이다. 따라서 위 L1 식을 곧바로 평균 회귀라고 해석해서는 안 된다. 두 행동이 각각 장애물의 다른 쪽을 우회하는 경우 중간 행동은 위험할 수 있고, 어떤 손실을 택해도 한 개의 결정론적 출력만으로 두 성공 모드를 모두 표현하지는 못한다. 이것이 행동 분포의 다봉성(multimodality)을 구분해야 하는 이유다. ### 5.1.3 covariate shift와 복구 데이터 훈련 데이터의 관측 분포는 사람 정책 \(\pi_E\)가 만든다. 배포 중 모델 \(\pi_\theta\)가 작은 오차를 내면 훈련에서 거의 보지 못한 상태로 이동하고, 그 상태에서 더 큰 오차를 낼 수 있다. \[ o_t \sim d_{\pi_E} \;\text{(training)}, \qquad o_t \sim d_{\pi_\theta} \;\text{(deployment)} \] 대응 방법은 하나가 아니다. - 시작 pose, 물체 위치, 조명 변화를 충분히 포함한다. - 완벽한 시연뿐 아니라 안전한 복구(recovery) 행동을 수집한다. - 실패 직전/실패 상태를 구분해 annotation한다. - closed-loop evaluation에서 관측된 실패 분포를 다음 수집 round에 반영한다. - 필요하면 DAgger 계열처럼 정책 방문 상태에 expert label을 추가한다. 단, 위험 상태를 의도적으로 만들 때는 로봇 속도·토크 제한과 비상 정지 절차가 우선이다. ::: {.learning-aid} **이해 도움말 — 왜 한 번의 작은 오차가 계속 커지는가** 행동 복제(Behavior Cloning)는 주로 전문가가 만든 “정상 경로”를 본다. 그러나 배포 중 정책이 물체를 몇 mm 빗맞히면 다음 카메라 영상은 훈련 데이터에 드물었던 장면이 된다. 정책은 낯선 장면에서 다시 오차를 내고, 그 결과는 더 낯선 다음 관측을 만든다. 이것이 공변량 이동(covariate shift)의 연쇄다. 따라서 데이터 수집 때는 성공 궤적의 개수만 늘리기보다, 살짝 어긋난 상태에서 정상 경로로 돌아오는 복구(recovery) 예시를 포함하는 것이 중요하다. ::: ## 5.2 행동 정책의 계보 ### 5.2.1 단일 step 정책 단일 step 정책은 현재 관측에서 다음 action 하나를 예측한다. latency가 작고 구현이 단순하지만, 사람 시연의 고주파 jitter를 그대로 학습하거나 시간적 일관성을 잃기 쉽다. 긴 작업을 매 step 독립적으로 결정하면 예측 noise가 command noise가 된다. ### 5.2.2 ACT: action sequence를 한 번에 예측 ACT는 Action Chunking with Transformers의 약자다. Zhao 등은 저가형 양팔 로봇의 정밀 조작에서 action sequence를 생성하는 generative model을 제시했다. 한 시점에서 \(H\)개의 미래 행동을 예측하면 유효 decision horizon이 줄고, 시간적으로 연결된 동작을 모델링할 수 있다. \[ \hat{A}_t = [\hat a_t, \hat a_{t+1}, \ldots, \hat a_{t+H-1}] \] ACT는 conditional VAE와 Transformer를 사용해 시연의 변동을 잠재변수로 표현한다. 배포에서는 여러 시점에 예측한 겹치는 chunk를 temporal ensemble로 합칠 수 있다. 원 논문은 [Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware](https://arxiv.org/abs/2304.13705)다. ### 5.2.3 Diffusion Policy Diffusion Policy는 noise에서 시작해 observation에 조건부인 denoising을 반복하여 action sequence를 생성한다. 단일 평균값 대신 다봉 행동분포를 표현하기에 유리하고 receding-horizon control과 결합한다. 반면 여러 denoising step은 inference latency와 compute 비용을 만든다. [Diffusion Policy](https://arxiv.org/abs/2303.04137)는 conditional denoising, visual conditioning, receding horizon의 조합을 제시한다. ### 5.2.4 VLA Vision-Language-Action 모델은 이미지와 자연어를 context로 사용해 로봇 행동을 생성한다. \[ \pi_\theta(A_t \mid I_t^{1:C}, s_t, l) \] VLA의 장점은 task를 언어로 조건화하고 사전학습된 시각-언어 표현을 활용할 수 있다는 점이다. 그러나 자연어가 안전 제약을 대신하지 않는다. “빨리 집어라”라는 지시가 joint limit, workspace boundary, collision rule보다 우선해서는 안 된다. | 정책 | 출력 | 다봉성 | 언어 조건 | 주된 비용 | |---|---|---|---|---| | 단일 BC | action 1개 | 낮음 | 선택적 | 낮음 | | ACT | action chunk | CVAE로 표현 | 보통 별도 설계 | 중간 | | Diffusion Policy | denoised chunk | 강함 | 조건으로 확장 가능 | 반복 추론 | | SmolVLA | 언어·시각 조건 action chunk | action expert가 표현 | 기본 구성 | VLM+expert 추론 | ## 5.3 LeRobotDataset v3 설계 Hugging Face의 [LeRobotDataset v3 문서](https://huggingface.co/docs/lerobot/lerobot-dataset-v3)는 v3의 핵심을 storage와 user-facing episode API의 분리로 설명한다. v2 계열의 episode당 파일 구조와 달리 v3는 여러 episode를 큰 Parquet/MP4 파일에 묶어 파일 수를 줄이고 metadata로 경계를 복원한다. ### 5.3.1 세 개의 기둥 1. **Tabular data**: state, action, timestamp처럼 저차원·고주파 신호를 Parquet에 저장한다. 2. **Visual data**: 카메라별 frame을 MP4 shard로 저장한다. 3. **Relational metadata**: schema, stats, task, episode 경계, file/row/video offset을 저장한다. 간소화한 구조는 다음과 같다. ```text dataset/ ├── meta/ │ ├── info.json │ ├── stats.json │ ├── tasks.parquet │ └── episodes/chunk-000/file-000.parquet ├── data/chunk-000/file-000.parquet └── videos/ ├── observation.images.top/chunk-000/file-000.mp4 └── observation.images.wrist/chunk-000/file-000.mp4 ``` 문서 revision에 따라 `tasks.jsonl`처럼 이전 이름이 검색될 수 있으므로 경로를 직접 조립하지 말고 설치 버전의 API와 `meta/info.json` path template을 사용한다. ### 5.3.2 feature schema 예시 feature는 다음과 같다. | key | shape 예 | dtype | 의미 | |---|---:|---|---| | `observation.state` | `[6]` | float32 | 현재 관절/그리퍼 상태 | | `action` | `[6]` | float32 | 다음 target joint 또는 delta | | `observation.images.top` | `[3,H,W]` | video | 외부 카메라 | | `observation.images.wrist` | `[3,H,W]` | video | 손목 카메라 | | `timestamp` | scalar | float64 | episode 내 시간 | | `episode_index` | scalar | int | episode 식별자 | | `task_index` | scalar | int | 언어 task 연결 | 이 표의 video는 저장 모달리티이고 `[3,H,W]`는 RGB 한 프레임을 로더가 반환하는 CHW 텐서의 예다. 이를 저장 metadata의 shape/dtype 값으로 그대로 복사하지 않는다. [공식 v3 로딩 예](https://huggingface.co/docs/lerobot/lerobot-dataset-v3#load-a-dataset-for-training)의 단일 영상은 `[C,H,W]`, 시간 창은 `[T,C,H,W]`이며 DataLoader의 배치 축은 별도로 붙는다. 저장 metadata의 shape·dtype·축 이름과 디코딩/전처리 후 텐서 shape·채널 순서를 각각 확인하고 기록한다. shape만으로 충분하지 않다. joint order, unit, absolute/delta, camera color order, resize/crop, gripper sign convention을 dataset card에 기록한다. ### 5.3.3 episode 경계와 split v3에서는 한 Parquet/MP4 shard 안에 여러 episode가 들어갈 수 있다. 파일 이름을 episode ID로 해석하면 안 된다. `meta/episodes`의 row range와 video offset으로 episode를 찾는다. train/validation/test는 **frame이 아니라 episode 단위**로 분할한다. 같은 episode의 인접 frame이 train과 validation에 나뉘면 거의 동일한 이미지가 양쪽에 들어가 성능이 과대평가된다. 더 엄격한 일반화를 평가하려면 물체 위치, 배경, 작업자, 날짜 같은 group 단위로 분할한다. ### 5.3.4 finalize의 의미 v3 writer는 incremental Parquet writing과 metadata buffer를 사용한다. 수집 종료 후 `finalize()`를 호출해야 buffer를 flush하고 Parquet footer를 완성한다. 프로그램이 비정상 종료되면 최근 episode가 불완전할 수 있다. 공식 [Dataset API](https://huggingface.co/docs/lerobot/main/api/datasets)는 `finalize()`를 생략한 dataset이 유효하지 않을 수 있다고 명시한다. ## 5.4 데이터 수집과 품질 관리 도구 접촉/서랍 시연은 [M25.06 상태·행동 기록](/study/unit-m25-06-a/)에서 입력·제안/전송 명령·ack·다음 실제 관측과 중단/부분성과를 나누어 연습한다. 학습 행동의 단위/시점·제한 전후를 명시하고, 학습 행 선택 때문에 원래 실패/누락 에피소드나 평가 분모를 삭제하지 않는다. ### 5.4.1 다양성과 반복의 균형 SmolVLA 공식 안내는 task variation마다 충분한 시연을 수집할 것을 강조한다. “50 episode”는 출발점 예시이지 보장 수량이 아니다. 다음 축을 설계표로 만든다. - 물체 위치와 방향 - 물체 색·크기·질량 - 조명, 배경, camera exposure - grasp approach와 recovery 경로 - 작업자 및 teleoperation 속도 variation 수만 늘리고 각 조건 반복이 한 번뿐이면 모델이 조건별 일관성을 배우기 어렵다. 먼저 핵심 조건을 반복하고 그다음 범위를 넓힌다. ### 5.4.2 성공/실패 label 성공 episode만 모으면 안정적인 목표 행동을 배우기 쉽지만, 작은 오차에서 복구하는 방법을 배우지 못한다. 실패를 포함할 경우 무작정 action target으로 학습하지 말고 다음을 구분한다. - 성공 시연 - 실패하지만 유용한 복구 구간 - 센서 오류/프레임 드랍으로 사용 불가능한 구간 - 안전 개입으로 종료된 구간 dataset card에 inclusion/exclusion rule을 명시한다. ### 5.4.3 시간 정렬 action \(a_t\)가 관측 \(o_t\)에 대한 명령인지, \(o_{t+1}\) 결과인지 명확히 한다. 20 Hz command와 30 fps 카메라를 단순 row 번호로 맞추지 않는다. timestamp를 기준으로 nearest/previous/interpolation 정책을 정하고 최대 허용 오차를 기록한다. ### 5.4.4 영상 인코딩 MP4/H.264 같은 inter-frame codec은 저장 효율이 높지만 임의 frame 접근 비용과 seek 정확성에 영향을 줄 수 있다. 다음을 기록한다. - codec, pixel format, frame rate - resolution과 resize/crop pipeline - keyframe interval - variable/constant frame rate 여부 - 원본 timestamp 보존 방식 압축을 “무손실”이라고 표현하려면 실제 codec setting과 lossless mode를 검증해야 한다. 일반 H.264 설정은 대개 손실 압축이다. ## 5.5 정규화와 통계 ### 5.5.1 Z-score와 min-max feature \(x\)의 Z-score는 다음과 같다. \[ \tilde{x} = \frac{x-\mu_{train}}{\max(\sigma_{train},\epsilon)} \] [-1,1] min-max normalization은 다음과 같다. \[ \tilde{x}=2\frac{x-x_{min}}{\max(x_{max}-x_{min},\epsilon)}-1 \] 통계는 train split에서만 계산하고 validation/test에 재사용한다. 전체 dataset 통계를 먼저 계산하면 evaluation distribution 정보가 training pipeline에 누출된다. `code/normalization.py`가 seed를 고정한 episode-level shuffle과 두 정규화를 구현한다. 실제 프로젝트에서는 task variation, 작업자, 날짜를 group으로 묶은 stratified split을 우선한다. ### 5.5.2 작은 분산과 outlier 거의 움직이지 않는 joint의 표준편차가 0에 가까우면 작은 noise가 큰 normalized value가 된다. epsilon, std floor 또는 해당 feature 고정 처리를 명시한다. min/max는 잘못된 encoder spike 하나에 민감하므로 percentile-based clipping을 검토하되, joint safety limit과 통계적 clipping을 혼동하지 않는다. ### 5.5.3 action representation - absolute joint target: 누적 drift가 적지만 embodiment와 calibration에 민감하다. - delta joint: 작은 변위로 표현할 수 있지만, 증분의 기준과 누적 여부에 따라 drift와 scale 해석이 달라진다. - end-effector delta: task geometry에 직관적이지만 IK와 singularity 처리가 필요하다. relative/delta라는 이름만으로 기준을 정하지 않는다. [LeRobot의 표현 계약](https://huggingface.co/docs/lerobot/action_representations)은 relative를 예측 시점의 같은 current state에 대한 chunk 전체의 변위로, delta를 이전 action에서 다음 action으로의 순차 증분으로 구분한다. 예를 들어 기준 0.3 rad와 값 [0.1,0.2] rad는 고정 기준이면 목표 [0.4,0.5] rad, 누적 증분이면 [0.4,0.6] rad다. 기준 상태의 시각·프레임, 누적 방식, 그리퍼 등의 제외 채널과 변환/정규화 순서를 명시하고 학습·배포에서 맞춘다. 그리퍼까지 관절 각도처럼 무조건 빼거나 모든 정책의 전처리 순서가 같다고 가정하지 않는다. 학습과 배포에서 같은 representation과 inverse normalization을 사용한다. action 통계를 state 통계로 역정규화하는 실수는 shape가 같으면 조용히 지나갈 수 있다. ### 5.5.4 Dataset 전역 통계와 정책 학습 통계 LeRobotDataset v3의 `meta/stats.json`은 **dataset repository 전체**를 요약한다. 데이터 탐색과 무결성 점검에는 유용하지만 한 repository에서 일부 episode만 train으로 쓰는 경우, 이 전역 통계를 정책 정규화에 그대로 사용하면 validation/test 정보가 들어간다. | 통계 | 범위 | 용도 | 저장 위치 예 | |---|---|---|---| | Dataset global stats | repository 전체 | 탐색, 시각화, 데이터 감사 | `meta/stats.json` | | Policy train stats | train episode만 | 학습 및 배포 정규화 | checkpoint/run manifest | split을 먼저 고정하고 train episode에서 stats를 다시 계산해 policy artifact에 저장한다. 또는 split별 dataset revision/repository를 materialize한다. 어느 방법이든 dataset revision, episode ID, stats hash를 checkpoint와 묶는다. `dataset.meta.stats`를 출력했다는 사실만으로 train-only normalization이 보장되지는 않는다. ## 5.6 SmolVLA 구조 ![SmolVLA 개념 구조](images/smolvla_architecture.svg) **그림 5-2.** 다중 카메라, robot state, language instruction을 context로 만들고 action expert가 미래 action chunk를 생성하는 개념 구조. SmolVLA는 Hugging Face가 공개한 경량 VLA다. [SmolVLA 공식 문서](https://huggingface.co/docs/lerobot/smolvla)는 여러 카메라, 현재 sensorimotor state, 자연어 지시를 입력으로 받아 action expert가 action chunk를 생성한다고 설명한다. 공개 base checkpoint는 약 450M parameter 규모로 안내된다. 구조 세부와 benchmark는 [SmolVLA 논문](https://arxiv.org/abs/2506.01844)을 참고한다. ### 5.6.1 입력 context - image tokens: top/wrist 등 여러 camera view - state token: 현재 robot state를 projected embedding으로 변환 - language tokens: task instruction camera key가 checkpoint가 기대하는 이름과 다르면 `rename_map`을 사용한다. 이름만 맞추는 것으로 끝나지 않고 view 의미가 일치하는지 확인한다. top camera를 wrist camera 이름으로 바꾸면 shape 검사는 통과해도 의미가 틀린다. ### 5.6.2 action expert와 flow matching SmolVLA는 VLM context에 조건부인 action expert를 통해 연속 action chunk를 생성한다. 논문은 flow matching 기반 action generation을 사용한다. 개념적으로 noise sample \(x_0\)를 data action \(x_1\) 방향으로 운반하는 velocity field \(v_\theta(x_t,t,c)\)를 학습한다. \[ x_t=(1-t)x_0+t x_1, \qquad \mathcal L_{FM}=\mathbb E\|v_\theta(x_t,t,c)-(x_1-x_0)\|^2 \] 실제 구현의 path, noise, solver는 checkpoint/config에 따른다. 이 식은 원리를 보여 주는 단순화다. ### 5.6.3 chunk size chunk size \(H\)가 크면 한 번의 inference로 긴 시간을 커버하지만 오래된 관측에 기반한 open-loop 구간이 길어진다. 작으면 자주 재계획하지만 inference load가 커진다. 원 교안의 16 frame은 실습 시작값으로 사용할 수 있으나 SmolVLA checkpoint default를 임의로 덮어쓰지 않는다. 저장된 policy config의 `chunk_size`와 `n_action_steps`를 확인한다. ## 5.7 LoRA 기반 파인튜닝 ### 5.7.1 저랭크 업데이트 LoRA는 pretrained weight \(W_0\in\mathbb R^{d_{out}\times d_{in}}\)를 고정하고 저랭크 행렬만 학습한다. \[ W = W_0 + \frac{\alpha}{r}BA, \quad A\in\mathbb R^{r\times d_{in}}, \quad B\in\mathbb R^{d_{out}\times r} \] full matrix의 parameter는 \(d_{out}d_{in}\), LoRA adapter는 \(r(d_{in}+d_{out})\)다. `code/lora_budget.py`로 규모를 비교할 수 있다. LoRA 원 논문은 [Hu et al., 2021](https://arxiv.org/abs/2106.09685)이다. 계산기의 값은 동일 크기 square projection을 가정한 단순 추정이다. 실제 SmolVLA 기본 PEFT target은 LM expert의 q/v projection과 task-dependent state/action projection을 포함할 수 있다. 학습 시작 시 framework가 출력한 trainable/total parameter 목록을 권위 있는 값으로 기록한다. ### 5.7.2 rank와 alpha - rank \(r\): 높을수록 update 표현력이 커지지만 parameter와 memory가 증가한다. - alpha \(\alpha\): update scaling에 관여한다. - target modules: 어떤 projection에 adapter를 넣을지 결정한다. - modules to save: 새 action/state projection처럼 full training이 필요한 모듈을 함께 저장한다. 현재 LeRobot의 [PEFT training 문서](https://github.com/huggingface/lerobot/blob/main/docs/source/peft_training.mdx)는 SmolVLA에서 PEFT를 지원하고 `--peft.r`, `--peft.lora_alpha`를 제공한다. 공식 설정의 default target을 확인하고 임의의 정규식이 backbone 전체를 예상치 않게 포함하지 않는지 trainable parameter 목록을 출력한다. ### 5.7.3 full fine-tuning과 LoRA 선택 LoRA는 GPU memory와 checkpoint 크기를 줄이고 task별 adapter 관리에 유리하다. 그러나 새로운 embodiment의 action/state projection은 pretrained VLM과 성격이 다르므로 adapter만 학습할지, 일부 새 layer를 full train할지 검토해야 한다. 데이터가 충분하고 compute가 허용되면 full fine-tuning을 baseline으로 비교한다. ## 5.8 학습 파이프라인 ### 5.8.1 데이터 사전 점검 ```bash python code/inspect_lerobot_v3.py \ --repo-id USER/my_so101_dataset \ --revision DATASET_COMMIT_SHA \ --episode 0 ``` 환경 의존 예제이며 설치한 LeRobot API에 따라 import 경로가 달라질 수 있다. `--revision`에는 이동하는 `main` 대신 dataset commit SHA를 사용한다. 최소 점검 항목은 다음과 같다. - 모든 camera key와 resolution - state/action shape와 dtype - NaN/Inf, joint limit 초과 - timestamp 역전과 frame gap - episode length 분포 - task string과 실제 행동 일치 - normalization stats의 합리성 ### 5.8.2 기본 fine-tuning 예 ```bash lerobot-train \ --policy.path=lerobot/smolvla_base \ --dataset.repo_id=${HF_USER}/my_so101_dataset \ --dataset.revision=${DATASET_COMMIT_SHA} \ --batch_size=16 \ --steps=20000 \ --output_dir=outputs/train/so101_smolvla \ --job_name=so101_smolvla \ --policy.device=cuda ``` 공식 예시는 더 큰 batch를 제시하기도 하지만 VRAM에 맞춰 작은 값에서 시작한다. gradient accumulation을 쓸 경우 effective batch를 기록한다. “epoch 50”보다 dataset 크기와 batch에 독립적인 update step이 실험 비교에 편리할 수 있다. ### 5.8.3 LoRA 예 ```bash lerobot-train \ --policy.path=lerobot/smolvla_base \ --dataset.repo_id=${HF_USER}/my_so101_dataset \ --dataset.revision=${DATASET_COMMIT_SHA} \ --steps=20000 \ --batch_size=16 \ --peft.method_type=LORA \ --peft.r=16 \ --peft.lora_alpha=32 \ --output_dir=outputs/train/so101_smolvla_lora ``` 위 명령은 **예시**다. 정확한 flag는 고정한 LeRobot commit의 `--help`로 확인한다. ### 5.8.4 monitoring training loss만 보지 않는다. - validation action loss - dimension별 action error - predicted action smoothness와 limit violation - fixed offline episode replay - 실제/시뮬레이션 closed-loop task success - variation별 성공률과 failure taxonomy checkpoint 선택은 validation loss 최소점과 실제 success가 다를 수 있다. 최소한 두 지표를 함께 기록한다. ## 5.9 20 Hz 폐루프 추론 ![20 Hz 폐루프와 비동기 추론](images/closed_loop.svg) **그림 5-3.** sensor/control loop와 policy worker를 분리하고 action queue, safety filter, watchdog을 거치는 폐루프. ### 5.9.1 주기와 deadline 20 Hz의 period는 50 ms다. 한 cycle의 예산은 capture, preprocessing, inference/queue, safety filter, communication을 포함한다. \[ T_{capture}+T_{pre}+T_{infer}+T_{safety}+T_{comm} \le 50\text{ ms} \] VLA inference가 50 ms를 넘으면 매 cycle 동기 추론은 deadline을 놓친다. 대안은 다음과 같다. - action chunk를 queue에 넣고 control loop가 소비한다. - policy worker를 별 thread/process/machine에 둔다. - execution horizon이 소진되기 전에 다음 chunk를 요청한다. - inference가 늦으면 사전에 정한 HOLD/STOP 계약으로 전환한다. 이전 명령 유지는 유효한 절대 위치 목표처럼 해당 의미가 허용되는 경우에만 제한 시간 안에서 사용한다. delta·속도·토글 명령의 반복 송신은 정지를 뜻하지 않으며 무조건 재사용하지 않는다. LeRobot은 [Asynchronous Inference](https://huggingface.co/docs/lerobot/async)와 RTC 방식 안내를 제공한다. 사용 API는 버전에 따라 달라질 수 있으므로 개념과 실제 CLI를 구분한다. ### 5.9.2 receding horizon chunk 전체를 끝까지 open-loop로 실행하지 않고 첫 \(h\)개만 실행한 뒤 새 관측으로 재계획한다. \(h=1\)이면 가장 폐루프적이지만 inference rate가 높다. latency와 환경 변화 속도에 맞춰 execution horizon을 정한다. ### 5.9.3 temporal ensembling 시점 \(t-j\)에서 예측한 chunk가 현재 step \(t\)의 action도 포함할 수 있다. 여러 예측을 가중 평균한다. \[ \bar a_t = \frac{\sum_j w_j \hat a_t^{(t-j)}}{\sum_j w_j}, \qquad w_j=\exp(-\lambda j) \] `code/temporal_ensemble.py`가 이를 구현한다. 여기서 j는 현재 step에서 예측 생성 step까지의 나이이며 양의 λ는 최신 예측에 더 큰 가중치를 준다. 이는 이 책의 교육용 계약이다. [LeRobot ACT 구현](https://github.com/huggingface/lerobot/blob/main/src/lerobot/policies/act/modeling_act.py)의 `ACTTemporalEnsembler`는 가장 오래된 후보를 인덱스 0으로 두어 양의 `temporal_ensemble_coeff`일 때 오래된 후보를 더 크게 반영한다. 계수의 부호와 후보 순서가 다르므로 이 예제의 값을 그대로 ACT 설정에 옮기지 않는다. 평균은 discontinuity를 줄일 수 있지만 multimodal 행동의 서로 다른 mode를 섞으면 위험한 중간 행동을 만들 수 있다. grasp 전환점처럼 mode switch가 있는 구간은 history를 reset하거나 phase-aware ensemble을 사용한다. 후보를 무조건 평균하지 않는다. 각 proposal에 schema, unit, finite, source timestamp, task/phase, 기본 hard limit 검사를 먼저 적용하고 stale/invalid proposal을 버린다. 유효 후보만 ensemble/filter한 뒤 최종 결과에 rate, joint/workspace, collision 검사를 다시 적용한다. ### 5.9.4 safety filter와 watchdog 모델 출력은 곧바로 motor command가 아니다. 최소한 다음 단계를 거친다. 1. inverse normalization 2. NaN/Inf 검사 3. joint/workspace limit clamp 또는 reject 4. velocity/acceleration/jerk limit 5. self/environment collision check 6. timestamp freshness 확인 7. watchdog heartbeat 8. command 전송 `code/closed_loop_20hz.py`는 hardware-free mock loop로 joint limit과 per-cycle delta limit을 보여 준다. 제안·이전 명령·제한 벡터의 shape와 유한값을 clamp 전에 확인한다. Inf를 먼저 clamp하면 유한한 한계값으로 바뀌어 오류가 숨기므로 순서를 바꾸지 않는다. 이전 명령이 이미 범위 밖이면 자동 복구를 시도하지 않고 예외로 거부하며, 이 예제는 실제 모터 송신을 하지 않는다. 실제 안전 정지는 software exception 하나에 의존하지 않고 hardware E-stop과 독립 watchdog을 둔다. ::: {.learning-check} **잠깐 점검 — 부드러운 출력과 안전한 출력은 같은가** 1. Temporal ensembling으로 행동이 매끄러워졌다면 관절 한계 검사를 생략해도 되는가? 2. 값과 단위가 올바른 action이라도 source timestamp가 오래되었다면 왜 실행하면 안 되는가? **확인 포인트:** 평균화는 불연속을 줄일 뿐 물리 한계를 보장하지 않는다. 오래된 action은 현재 관측과 상태를 반영하지 않으므로 폐기하거나 HOLD로 전환해야 한다. ::: ### 5.9.5 최신 LeRobot 배포 backend 2026년 공식 LeRobot 배포 인터페이스는 동기 실행, local RTC(Real-Time Chunking), remote inference를 구분한다. - **Sync**: control tick마다 policy call을 기다린다. - **Local RTC**: rollout process의 background thread가 다음 chunk를 만들며 현재 trajectory와 이어지는 action을 준비한다. - **Remote inference**: 별 process/host의 policy server와 통신하고 robot client가 bounded action buffer를 소비한다. RTC의 `execution_horizon`, observation age, action/startup timeout, starvation grace는 실측 latency와 usable chunk horizon 안에서 정한다. queue가 비었다고 마지막 action을 무기한 유지하지 않는다. task instruction이 바뀌면 이전 instruction의 queued/in-flight action을 폐기하고 fresh observation으로 재계획한다. 최신 flag와 지원 checkpoint 계약은 [Policy Deployment](https://huggingface.co/docs/lerobot/main/inference), [Real-Time Chunking](https://huggingface.co/docs/lerobot/main/rtc), [Remote Inference](https://huggingface.co/docs/lerobot/main/remote_inference)를 따른다. 이전 async server/client tutorial의 `actions_per_chunk`, `chunk_size_threshold`와 최신 local RTC flag를 섞지 않는다. ## 5.10 평가 설계 ### 5.10.1 task success 성공 기준을 평가 전에 명시한다. “대충 bin 안에 있음”이 아니라 다음처럼 정의한다. - 대상 물체 중심이 bin 경계 내부 - 로봇이 물체를 놓은 뒤 2초 이상 유지 - 다른 물체를 넘어뜨리지 않음 - safety intervention 없음 - 제한 시간 30초 이내 ### 5.10.2 stratified evaluation 전체 성공률만 보고하지 않는다. | 조건 | trial 수 | 성공 | 성공률 | 주요 실패 | |---|---:|---:|---:|---| | 학습 위치 | | | | | | 미학습 위치 | | | | | | 밝은 조명 | | | | | | 낮은 조명 | | | | | | distractor 포함 | | | | | trial이 적을 때 90%와 80%의 차이를 과도하게 해석하지 않는다. seed, object placement protocol, 평가자 기준을 저장한다. ### 5.10.3 offline metric의 한계 action MSE/L1은 expert action과 다른 성공 경로를 벌점 처리할 수 있다. 반대로 낮은 error도 작은 누적 편향 때문에 closed-loop 실패로 이어질 수 있다. offline metric은 빠른 regression check로 사용하고 최종 판단은 closed-loop success와 안전 지표로 한다. ## 5.11 데이터 라이선스, 개인정보, 보안 ### 5.11.1 dataset card와 license Hub에 올리기 전에 다음 권리를 확인한다. - 촬영 공간, 물체, 로봇 CAD/브랜드의 공개 권한 - 배경에 보이는 모니터·문서·상표 - third-party dataset과 pretrained model license - 상업적 사용, 재배포, derivative model 허용 범위 dataset license와 model license는 별개일 수 있다. 여러 dataset을 섞으면 가장 제한적인 조건이 전체 배포를 제한할 수 있다. 법률 판단이 필요한 경우 조직의 담당자에게 검토를 요청한다. ### 5.11.2 개인정보 카메라에 얼굴, 이름표, 화면, 차량번호가 들어갈 수 있고 마이크를 쓰면 음성이 biometric/personal data가 될 수 있다. - capture area를 물리적으로 제한한다. - 불필요한 audio는 수집하지 않는다. - 공개 전 자동 탐지와 사람 검수를 모두 수행한다. - blur/redaction 후 원본 접근 권한과 보존 기간을 정한다. - 삭제 요청이 들어왔을 때 dataset revision과 파생 checkpoint를 추적할 수 있게 한다. ### 5.11.3 token과 Hub 권한 Hugging Face token을 코드, shell history, dataset metadata에 넣지 않는다. 최소 권한 token과 private repository를 사용하고, 공개 전 별도 승인 절차를 둔다. 로봇의 serial number, 내부 IP, 작업장 위치 같은 운영 정보도 제거한다. ## 5.12 재현성 체크리스트 다음을 하나의 run manifest에 저장한다. - Ubuntu, GPU, driver, CUDA, PyTorch 버전 - LeRobot git commit과 설치 extras - base model repository와 exact revision/commit - dataset repository와 exact revision - train/validation/test episode ID - feature schema, camera rename map, train-only normalization stats와 hash - random seed와 deterministic setting - batch size, gradient accumulation, optimizer, scheduler - PEFT target, rank, alpha, trainable parameter 수 - checkpoint selection rule - evaluation object placement와 success criteria 재현성은 bitwise 동일성만 의미하지 않는다. GPU kernel 비결정성 때문에 수치가 약간 달라도 같은 경향과 task success 범위를 얻는지 반복 run으로 확인한다. ## 5.13 단계별 실습 ### 실습 A: v3 dataset 구조와 무결성 감사 [실습 5-A: LeRobotDataset v3 무결성 감사](#lab-5-a)에 따라 schema, episode boundary, video stream, stats, task mapping을 점검한다. ### 실습 B: normalization과 split 누출 실험 [실습 5-B: Episode split과 정규화 누출](#lab-5-b)에서 frame split과 episode split의 차이를 비교하고 train-only stats를 적용한다. ### 실습 C: SmolVLA LoRA 학습 계획 [실습 5-C: SmolVLA LoRA 학습 설계](#lab-5-c)에서 baseline, LoRA rank, ablation, checkpoint 평가표를 설계한다. ### 실습 D: 20 Hz action chunk 실행 [실습 5-D: 20 Hz Action Chunk 폐루프](#lab-5-d)에서 inference latency를 모사하고 queue underrun, temporal ensemble, safety filter를 비교한다. ## 5.14 예상 출력 예시 아래 출력은 환경에 따른 **예상 출력 예시**다. `python3 code/normalization.py` ```text train episodes: [0, 1, 2, 3, 4, 6, 7, 8] validation episodes: [5, 9] train mean: [-0.0757 0.3933 -0.219 ] validation normalized mean: [ 0.226 -0.0607 0.1596] round-trip max error: 1.1102230246251565e-16 ``` `python3 code/temporal_ensemble.py` ```text step=0: action=[0. 0.] step=1: action=[0.3401 0.1401] step=2: action=[0.674 0.274] step=3: action=[1.074 0.474] ``` `python3 code/lora_budget.py --hidden 1024 --rank 16 --layers 16` ```text Simplified LoRA estimate: 1,048,576 corresponding full matrices: 33,554,432 ratio: 3.125% scaling example (alpha=32): 2.0 Use the framework's trainable-parameter report as the authoritative count. ``` ## 5.15 트러블슈팅 ### dataset이 load되지 않는다 - 수집/변환 뒤 `finalize()`를 호출했는가? - `meta/info.json`의 codebase version과 설치 LeRobot이 호환되는가? - path를 손으로 만들지 않고 API가 제공한 template을 썼는가? - Parquet footer와 MP4 index가 정상적으로 닫혔는가? ### 영상과 관절이 어긋난다 - frame index가 아니라 timestamp로 연결했는가? - camera buffering latency와 motor timestamp clock source가 같은가? - variable frame rate video를 constant rate로 가정하지 않았는가? - action이 observation 이전/이후 어느 시점의 command인지 정의했는가? ### loss는 감소하지만 로봇이 거의 움직이지 않는다 - action normalization과 inverse normalization이 같은가? - state/action joint order가 배포 robot과 같은가? - LoRA alpha/r scaling과 target module을 확인했는가? - 새 action projection이 실제로 trainable인가? - dataset에서 정지 frame이 지나치게 많지 않은가? ### 동작이 떨리거나 chunk 경계에서 튄다 - chunk의 첫 action이 현재 state와 연속적인가? - temporal ensemble 또는 execution horizon을 비교했는가? - absolute와 delta action을 혼동하지 않았는가? - 제어기 자체 rate와 policy rate가 정수비인지 확인했는가? ### GPU memory가 부족하다 - batch size를 줄이고 gradient accumulation을 기록한다. - mixed precision과 activation checkpointing 지원을 확인한다. - LoRA rank와 target modules를 줄인다. - image resolution/camera 수를 줄일 때 성능 영향 ablation을 수행한다. - OOM 직전 run의 partial checkpoint를 신뢰하지 않는다. ### inference가 20 Hz를 만족하지 못한다 - capture/preprocess/model/postprocess/communication을 따로 계측한다. - action chunk queue와 asynchronous worker를 사용한다. - stale observation과 queue underrun 정책을 정의한다. - latency를 숨기기 위해 safety check를 제거하지 않는다. ## 5.16 요약 - behavior cloning은 supervised learning처럼 보이지만 정책이 만든 관측 분포 때문에 오류가 누적된다. - ACT와 Diffusion Policy는 action sequence와 다봉 행동분포를 다루는 서로 다른 방법이다. - VLA는 시각·언어·robot state를 context로 action을 생성하지만 안전 제약을 대체하지 않는다. - LeRobotDataset v3는 여러 episode를 큰 Parquet/MP4 shard에 저장하고 metadata로 경계를 복원한다. - split과 normalization은 episode/group 단위로 설계해 정보 누출을 막는다. - SmolVLA는 VLM context와 action expert를 결합해 action chunk를 생성한다. - LoRA는 저랭크 update로 trainable parameter를 줄이지만 target과 새 projection 학습 여부를 점검해야 한다. - 20 Hz 배포에는 chunk queue, receding horizon, temporal ensemble, deadline, safety filter, watchdog이 필요하다. - dataset/model revision, license, 개인정보, 평가 protocol은 코드와 같은 수준의 산출물이다. ## 5.17 확인문제 1. behavior cloning의 covariate shift가 일반적인 supervised image classification과 다른 점을 설명하라. 2. 같은 관측에 두 개의 성공 action mode가 있을 때 L2 단일 회귀가 실패할 수 있는 예를 들라. 3. action chunk가 effective horizon과 inference rate에 주는 영향을 설명하라. 4. ACT와 Diffusion Policy가 multimodality를 표현하는 방식을 비교하라. 5. v3에서 파일 이름으로 episode 경계를 판단하면 안 되는 이유는 무엇인가? 6. frame random split이 validation score를 과대평가하는 이유를 설명하라. 7. train/validation 전체에서 normalization stats를 계산하는 것이 왜 누출인가? 8. LoRA에서 rank와 alpha가 update에 미치는 영향을 식으로 설명하라. 9. temporal ensembling이 multimodal action에서 위험할 수 있는 사례를 들라. 10. 20 Hz loop의 inference가 80 ms 걸릴 때 가능한 system architecture 두 개를 제안하라. 11. dataset license와 pretrained model license를 별도로 확인해야 하는 이유는 무엇인가? 12. offline action loss가 낮아도 task success가 낮을 수 있는 원인을 세 가지 쓰라. 추가 연습문제와 구현 과제는 [제5장 연습문제 및 구현 과제](#chapter-5-problem-set)에 있다. ## 5.18 프로젝트 과제 ### 과제 1: Dataset v3 품질 보고서 50개 이상 episode를 대상으로 schema, duration, frame gap, state/action distribution, task balance, video sample을 분석한다. 데이터 삭제/제외 기준과 privacy review 결과를 포함한다. ### 과제 2: ACT 또는 SmolVLA baseline 비교 동일 split과 action representation에서 단일-step BC와 chunk policy를 비교한다. offline loss, smoothness, closed-loop success, inference latency를 보고한다. ### 과제 3: LoRA ablation rank 8/16/32와 full fine-tuning 일부 조건을 비교한다. trainable parameter, peak VRAM, wall time, validation loss, task success를 함께 제시한다. ### 과제 4: 20 Hz deployment harness 실제 policy 대신 latency를 갖는 mock worker로 action queue를 구현한다. inference latency spike, camera delay, queue underrun, NaN action을 주입하고 watchdog과 safe stop이 작동하는지 기록한다. ## 5.19 실습·평가·참고자료 이 절 아래에 장별 참고문헌, 단계별 실습, 연습문제와 구현 과제를 한데 모았다. ### 5.19.1 참고문헌 1. Hugging Face, [LeRobot Documentation](https://huggingface.co/docs/lerobot/index), 2026년 10월 확인. 2. Hugging Face, [LeRobotDataset v3.0](https://huggingface.co/docs/lerobot/lerobot-dataset-v3), 2026년 10월 확인. 3. Hugging Face, [LeRobot Dataset API](https://huggingface.co/docs/lerobot/main/api/datasets), 2026년 10월 확인. 4. Hugging Face, [SmolVLA](https://huggingface.co/docs/lerobot/smolvla), 2026년 10월 확인. 5. Shukor et al., [SmolVLA: A Vision-Language-Action Model for Affordable and Efficient Robotics](https://arxiv.org/abs/2506.01844), 2025. 6. Zhao et al., [Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware](https://arxiv.org/abs/2304.13705), 2023. 7. Chi et al., [Diffusion Policy: Visuomotor Policy Learning via Action Diffusion](https://arxiv.org/abs/2303.04137), 2023/2024. 8. Hu et al., [LoRA: Low-Rank Adaptation of Large Language Models](https://arxiv.org/abs/2106.09685), 2021. 9. Ross, Gordon, Bagnell, [A Reduction of Imitation Learning and Structured Prediction to No-Regret Online Learning](https://proceedings.mlr.press/v15/ross11a.html), AISTATS 2011. 10. Hugging Face, [Parameter-efficient fine-tuning with PEFT](https://github.com/huggingface/lerobot/blob/main/docs/source/peft_training.mdx), 2026년 10월 확인. 11. Hugging Face, [Asynchronous Inference](https://huggingface.co/docs/lerobot/async), 2026년 10월 확인. 12. Hugging Face, [Policy Deployment](https://huggingface.co/docs/lerobot/main/inference), 2026년 10월 확인. 13. Hugging Face, [Real-Time Chunking](https://huggingface.co/docs/lerobot/main/rtc), 2026년 10월 확인. 14. Hugging Face, [Remote Inference](https://huggingface.co/docs/lerobot/main/remote_inference), 2026년 10월 확인.