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

저자: 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 · arXiv 2026

라이선스

오픈 액세스
논문: CC BY 4.0

아래 내용은 모두 논문의 라이선스(CC BY 4.0)에 따라 논문 전문을 바탕으로 하며, 그림에는 저자를 표기했습니다.

요약

다섯 단계(웹 데이터, 다중 로봇 사전 학습, 로봇 튜닝, RL)로 학습한 약 4B 규모의 VLA 하나가 공유된 64슬롯 행동 공간을 통해 휴머노이드, 양팔 로봇, 단일 팔 로봇을 제어한다.

중요한 이유

논문은 이질적인 로봇 데이터셋을 섞기 위한 구체적이고 재사용 가능한 방법을 제시한다. 마스킹된 통합 행동 슬롯, 광류 기반 속도 정렬, 데이터셋 가중치를 위한 품질 지표, 균등 분포에서 시작하는 샘플링 일정이다. RL 단계는 RL 기울기를 기반 모델로 역전파하지 않고 flow matching 정책을 개선하며, 같은 체크포인트 계열을 실제 휴머노이드, 실제 양팔 코봇, 두 개의 시뮬레이션 벤치마크에서 평가한다.

문제

로봇 데이터셋은 관측 배치, 행동 공간, 샘플링 속도가 서로 다르며, 품질도 떨리는 궤적부터 흐릿한 프레임까지 제각각이다. 모든 행동을 하나의 벡터로 패딩하면 다중 로봇 정책이 서로 호환되지 않는 목표를 평균하게 되며, 행동 복제만으로는 장기적이고 접촉이 많은 과제에서 성능이 포화된다. chain-of-thought로 계획하는 추론 중심 VLA는 실시간 제어가 감당할 수 없는 지연을 더한다.

제안 방법

학습은 단계적으로 진행된다. PaliGemma(3B) 기반, 24M 샘플에 대한 웹 멀티모달 그라운딩(L1), 약 3,000시간의 다중 로봇 데이터에 대한 사전 학습(R0), 본체별 미세 조정(R1), 그리고 Q 함수로 데이터를 개선하고 flow matching 액션 전문가를 위한 노이즈 액터를 학습하는 RL 정렬(R2)이다. DataQA 파이프라인은 떨림, 선명도, 다양성, 상태 분산으로 에피소드를 거르고, 광류 기반 재샘플링은 데이터셋 간 동작 속도를 맞추며, 본체 프롬프트가 있는 마스킹된 64차원 통합 행동 공간이 0 패딩을 대체한다. 추론 시 정책은 에피소드 진행도를 예측하고, 가우스 혼합 OOD 탐지기는 상태를 학습 분포 쪽으로 되돌려 놓으며, 관절 예측 모듈은 VLM이 가리킨 2D 목표를 3D로 올려 flow matching이 그쪽으로 향하도록 안내한다.

핵심 통찰

이질적인 행동을 하나의 벡터로 0 패딩하면 사용하지 않는 차원에 가짜 손실이 더해진다. 고정된 의미 배치로 손실을 마스킹하면 이를 없애고, 하나의 정책이 관절 의미와 데카르트 의미를 나란히 유지할 수 있다.
데이터셋 혼합을 균등 분포에서 시작해 목표 가중치로 점차 옮기면, 큰 데이터셋이 모멘텀이 큰 옵티마이저를 지배하여 드문 본체를 씻어 내는 것을 막는다.
로봇의 좌우 대칭에 따라 에피소드를 미러링하고 가역적인 기술을 시간 역전하자 48시간의 휴머노이드 기록이 유효 학습 시간 167시간으로 늘었다.
flow matching 샘플러를 언어로 그라운딩한 3D 목표 지점 쪽으로 안내하면 정확한 품목 집기 성능이 정책 단독일 때보다 훨씬 높아진다.
Q 기울기로 궤적을 편집하거나 소스 노이즈 분포를 학습하는 RL 정렬은, 기반 모델 가중치를 RL 기울기로 건드리지 않으면서 성공률을 높인다.

주요 결과

실제 AgileX Cobot Magic 테이블 정리에서, 미세 조정 없는 R0 체크포인트를 20,000회 반복 미세 조정한 기준선과 비교했다. 첫 품목 성공률 69.5%로 AgiBot GO-1의 38.4%, π0의 35.6%보다 높았으며, 평균 정리 시간은 1m35s로 π0의 2m59s보다 짧았다.
Simpler Google Robot 전체 평균: 60.2(R0), 61.3(R1), 71.8(R2)이며, 미세 조정한 π0는 56.8, RT-1-X는 46.5, OpenVLA는 33.8.
Simpler WidowX 평균 성공률: 45.0(R0), 55.2(R1), 79.1(R2)이며, DB-MemVLA는 73.2, 미세 조정한 π0는 27.1. 본문은 R1에서 R2로의 향상을 절대값 24%로 기술한다.
CALVIN ABC→D 평균 체인 길이: π0 R1 3.6, Green-VLA R1 4.18, Flower R1 4.53, Green-VLA R2 4.63.
전자상거래 선반 집기: 관절 예측 가이던스는 top-1 성공률을 62.3%에서 95.4%(브랜드 수준), 36.7%에서 93.1%(정확한 SKU), 10.2%에서 72.8%(본 적 없는 SKU)로 높였다.
Fig. 12에 표시된 Green 휴머노이드의 지시 수행 성공률: 집기 98%, 바구니에 놓기 100%, 바구니에서 집기 77%, 사용자에게 건네기 99%, 핸드오버 84%, 테이블 전체 정리 87%, 평균 90%.

한계

저자들은 성능이 여전히 리타기팅 충실도, 남아 있는 데이터셋 편향, 그리고 정교 조작 기술의 충분한 커버리지에 달려 있다고 밝힌다.
궤적 최적화 RL 단계는 궤적 개선을 보장하지 않으므로, 최적화된 모든 궤적은 데이터에 추가되기 전에 작업자가 장면을 재설정하고 다시 실행하여 검증한다.
CALVIN에서 R1 모델(ACL 4.18)은 Flower R1(4.53)에 뒤지며, 이 벤치마크에는 통합 행동 공간을 사용하지 않는다. R2는 4.63에 도달한다.
Flower, OpenVLA, RT-1-X의 Simpler 수치는 다시 실행하지 않고 발표된 보고에서 가져왔으며, 휴머노이드 결과는 에피소드 수 없이 백분율로만 제시된다. Fig. 12 캡션은 도메인 내 및 도메인 외 설정을 언급하지만 그래프에는 계열이 하나만 있다.
R0 테이블 정리 비교는 튜닝하지 않은 Green-VLA를 과제 데이터로 미세 조정한 기준선과 맞붙이며, 경량 추론 모듈과 다국어 지시는 향후 과제로 남겨 두었다.

분야에 미친 영향

Hugging Face daily papers: 추천 311개, 지난 6개월간 그곳의 로보틱스 논문 중 상위 5%. 논문은 코드 저장소와 프로젝트 페이지를 링크한다.

초록

우리는 다양한 본체에 걸친 일반화를 유지하면서 휴머노이드 Green 로봇의 실제 배치를 위해 만든 단계적 Vision–Language–Action 프레임워크인 Green-VLA를 소개한다. Green-VLA는 다섯 단계의 커리큘럼을 따른다. (L0) 기반 VLM, (L1) 멀티모달 그라운딩, (R0) 다중 본체 사전 학습, (R1) 본체별 적응, (R2) RL 기반 정책 정렬이다. 단계를 거치며 의미적·물리적 사전 지식을 쌓고, 공유된 어포던스를 학습하며, 행동 복제를 넘어서는 장기 실행을 위해 정책을 정렬한다. 그 핵심에는 로봇 플릿을 위한 통합 데이터 및 제어 스택이 있다. DataQA와 시간 정렬을 포함한 확장 가능한 데이터 처리 파이프라인이 3,000시간의 시연을 필터링하고 동기화한다. 통합된 본체 인지형 행동 인터페이스는 단일 정책으로 휴머노이드, 모바일 매니퓰레이터, 고정 베이스 팔을 제어할 수 있게 한다. 그리고 VLA 제어기는 에피소드 진행도 예측, 분포 외 탐지, 그리고 본 적 없는 물체로 일반화하는 관절 예측 기반 가이던스 모듈로 강화된다. Green 휴머노이드에 최적화된 Green-VLA는 새로운 본체에 제로샷으로 일반화하며, 양팔 시스템과 벤치마크 전반에서 최첨단 성능을 달성하고, RL 정렬은 성공률, 강건성, 장기 효율에서 향상을 가져온다.

링크

arXiv 2602.00919: https://arxiv.org/abs/2602.00919
PDF: https://arxiv.org/pdf/2602.00919v1
코드: https://github.com/greenvla/GreenVLA
프로젝트 페이지: https://greenvla.github.io/