플래너 선택 / 그룹·블록·정책 설정

자가학습을 시작하려면 먼저 플래너를 선택해 자가학습을 만들고, 좌측 패널에서 블록을 그룹으로 묶은 뒤 각 그룹의 데이터셋 그룹·학습 설정·노이즈·승급 정책을 정합니다.

플래너 선택 #

페이지를 처음 열면 헤더에 로봇 마스코트와 스스로 배우는 로봇 타이틀, 그리고 플래너 선택 드롭다운만 보이는 빈 상태입니다.

1. 헤더의 플래너 선택 드롭다운에서 플래너를 고릅니다.

   플래너를 선택하면 해당 플래너의 자가학습이 자동으로 만들어집니다(이미 있으면 그대로 불러옵니다). 처음 만들어질 때는 그룹 한 개가 자동 생성되고, 플래너의 모든 체크포인트가 그 그룹에 들어갑니다.

   📸스크린샷 누락/docs/curriculum-v2/v2-02-overview.png

   플래너 선택 후 — 좌측 플래너 탭, 우측 롤아웃/학습 컨트롤 바와 그룹 대시보드

플래너를 선택하면 화면이 좌측 설정 패널과 우측 롤아웃·대시보드 패널로 채워집니다. 좌측 패널은 플래너 · 디바이스 · 그룹 정책 세 개의 탭으로 구성됩니다.

플래너 탭 — 블록을 그룹에 배정 #

플래너 탭에는 이 플래너의 블록이 위에서 아래로 나열됩니다(읽기 전용 — 여기서 블록을 편집하지는 않습니다). 그룹에 속한 블록은 부제에 그룹 색상의 칩으로 그룹 이름이 표시되어, 같은 색 칩끼리 한 그룹임을 한눈에 알 수 있습니다. 그룹에 배정되지 않은 모션 블록은 미배정으로, timesleep처럼 설정 대상이 아닌 블록은 블록 종류가 표시됩니다. 설정할 수 있는 블록(체크포인트·모션)에만 톱니 아이콘이 붙어 있고, 누르면 블록 설정 다이얼로그가 열립니다.

그룹은 무슨 역할을 하나요? #

그룹은 자가학습이 성공과 실패를 판정하는 단위입니다. 한 번의 롤아웃에서 그룹에 속한 체크포인트가 전부 성공해야 그 그룹이 한 번 "성공"한 것으로 세고, 하나라도 실패하거나 끝까지 도달하지 못하면 그룹 전체가 "실패"가 됩니다. 진급(성공률), 성공률 통계, 학습 대상이 모두 이 그룹 단위로 돌아갑니다. 따라서 체크포인트를 어떻게 묶느냐가 곧 **"무엇을 한 번의 성공으로 볼 것인가"**를 정하는 셈입니다.

묶는 기준은 체크포인트들이 서로 의존하는지 여부입니다.

• 의존 체크포인트 → 같은 그룹 — 하나가 실패하면 나머지가 무의미해지는, 이어진 한 과제. 예를 들어 잡기 → 놓기는 잡기에 실패하면 놓기를 시도하는 것 자체가 의미 없으므로 같은 그룹에 둡니다. 그러면 잡기는 성공했지만 놓기에서 실패한 시행이 통째로 실패로 처리되어, 끝까지 해낸 경우만 성공으로 집계됩니다.
• 독립 체크포인트 → 다른 그룹 — 서로 영향을 주지 않는 별개의 과제. 예를 들어 사과를 잡아 놓기와 배를 잡아 놓기는 각각 따로 성공/실패를 세고 따로 학습해야 하므로 서로 다른 그룹으로 나눕니다. (그리고 각 그룹 안에서는 다시 그 과제의 잡기·놓기 체크포인트가 의존 관계로 함께 묶입니다.)

한편 데이터 저장은 그룹 판정과 별개로 체크포인트별로 이뤄집니다. 그룹이 실패한 롤아웃이라도 그 안에서 성공한 체크포인트의 에피소드는 자기 success 데이터로 저장되고, 실패한 체크포인트만 실패 저장 확률에 따라 저장됩니다. 즉 그룹은 성공/실패를 세고 진급을 판단하는 단위이고, 데이터는 체크포인트마다 모입니다.

블록은 두 종류로 나뉘고, 종류에 따라 설정 다이얼로그의 내용이 다릅니다.

체크포인트 블록 — 데이터셋 그룹 · 학습 설정 #

체크포인트 블록의 톱니 아이콘을 누르면 그룹 배정, 데이터셋 그룹, 체크포인트별 학습 설정을 정하는 다이얼로그가 열립니다.

1. 그룹을 정합니다.

   • 그룹 변경 — 다른 그룹이 존재할 때, 이 체크포인트를 다른 그룹으로 옮깁니다.
   • 그룹 분리 — 같은 그룹에 다른 멤버가 더 있을 때, 이 체크포인트만 떼어 새 그룹 이름으로 새 그룹을 만듭니다.

2. 데이터셋 그룹을 지정합니다.

   이 블록의 롤아웃이 남기는 성공 / 실패 / 교정 데이터가 저장될 묶음입니다. 한 데이터셋 그룹에는 success · failure · dagger 데이터셋이 역할별로 하나씩 들어가며, 여러 블록이 같은 데이터셋 그룹을 선택해 데이터를 공유할 수 있습니다.

   • 데이터셋 그룹 (드롭다운) — 이미 만든 그룹을 고릅니다. 목록 항목에는 그룹에 모인 성공·실패·교정 에피소드 수가 함께 표시됩니다.
   • 새 그룹 — 새 데이터셋 그룹을 만듭니다. 누르면 이름 입력 다이얼로그가 열립니다.

   📸스크린샷 누락/docs/curriculum-v2/v2-08-dataset-group-select.png

   데이터셋 그룹 선택 — 드롭다운 옵션(성공/실패/교정 개수), 새 그룹 버튼

3. 체크포인트별 학습 설정을 채웁니다.

   학습 시 사용할 설정입니다.

   • Base 데이터셋 (다중 선택) — 학습 시 데이터셋 그룹의 수집분과 함께 합쳐 쓸 기준 데이터셋입니다. 자가학습이 수집한 데이터셋은 목록에서 제외됩니다.
   • 학습 하이퍼파라미터 — 배치 크기 등 학습에 쓸 값입니다. 학습 스텝 수는 여기서 입력하지 않고 학습 시작 다이얼로그에서 정합니다. 학습 서버는 상단 바의 시스템 모니터에서 설정합니다.

4. 판정 조건을 정합니다.

   롤아웃에서 체크포인트의 성공/실패를 가르는 기준입니다.

   • 최초 길이 제한 (기본 600) — 실패로 취급할 최대 스텝 수입니다. 이 스텝 안에 성공 신호를 얻지 못하면 실패로 판정합니다.
   • 길이 제한 rate (기본 1.5) — 다음 스테이지의 길이 제한 = 현재 스테이지 성공 에피소드의 평균 길이 × rate로 계산됩니다.
   • 성공 임계값 (기본 0.5) — 정책의 성공 점수가 이 값을 넘으면 성공으로 봅니다.
   • 성공 데이터 다운샘플 — 성공 데이터를 N 프레임당 1프레임만 유지해 기록합니다(마지막 프레임은 항상 보존).

5. (선택) 교정데이터 수집 탭에서 교정 방식을 미리 정합니다.

   다이얼로그 위쪽의 학습 설정 / 교정데이터 수집 탭 중 교정데이터 수집을 누릅니다. 교정 방식을 미리 지정하면 실패 시 교정 설정 다이얼로그 없이 곧장 교정이 시작되고, 비워 두면 매번 다이얼로그로 물어봅니다.

   • 즉시교정 — 켜면 이 블록은 모델 추론을 건너뛰고 실행 즉시 교정(전문가 데모 수집)으로 들어갑니다.
   • 텔레오퍼레이션 타입 — 교정에 쓸 방식입니다. Claude · GPT · Gemini 모듈 중 하나가 있으면 에이전트를 고를 수 있습니다. 에이전트를 고르면 아래에 어느 워크스페이스의 에이전트 설정을 따르는지 안내가 표시됩니다. 체크포인트를 만든 워크스페이스의 에이전트 설정을 쓰므로, 그 워크스페이스의 작업 지시를 먼저 채워 둡니다. 실행 중 동작은 에이전트 교정을 참고하세요.
   • 자연어 지시 · Hz — 교정 에피소드에 기록할 자연어 지시와 초당 기록 프레임 수입니다.

   📸스크린샷 누락/docs/curriculum-v2/v2-09-block-settings-correction.png

   체크포인트 블록 설정 다이얼로그의 교정데이터 수집 탭 — 즉시교정 토글, 텔레오퍼레이션 타입(에이전트 선택), 에이전트 설정 워크스페이스 안내, 자연어 지시, Hz

모션 블록 — 노이즈 설정 (계단식) #

모션 블록의 톱니 아이콘을 누르면 영향을 줄 그룹과 노이즈를 정하는 다이얼로그가 열립니다.

노이즈는 모션 블록이 로봇을 데려다 놓는 위치·자세를 매 롤아웃마다 조금씩 무작위로 흔드는 값입니다. 구체적으로는 joint_position·query_pose 블록이 도달한 뒤 엔드이펙터(EE)를 노이즈만큼 밀어 주고, move_relative_ee 블록의 상대 이동 벡터에 노이즈를 더합니다. 그 결과 체크포인트 정책이 일을 시작하는 출발 조건(예: 팔이나 대상 물체의 위치)이 롤아웃마다 달라집니다.

노이즈가 필요한 이유는 두 가지입니다.

• 일반화 — 노이즈가 0이면 매번 똑같은 자리에서만 데이터가 쌓여, 학습한 정책이 그 한 조건에서만 잘 동작합니다. 출발 위치를 무작위로 흩뜨리면 다양한 조건의 성공 데이터가 모이고, 정책이 위치 변화에 강건해집니다.
• 난이도 상승(계단식) — 노이즈는 스테이지가 한 단계 오를 때마다 step_up만큼 계단식으로 커집니다. 성공률에 연속 비례해 커지는 것이 아니라, 성공률이 목표에 도달해 다음 스테이지가 열릴 때마다 한 칸씩 넓어집니다.

노이즈는 고정된 변위가 아니라 매 롤아웃마다 새로 뽑는 랜덤 값이라는 점에 유의하세요. 같은 설정이라도 시행마다 흔들리는 방향과 크기가 달라집니다.

1. 영향 줄 그룹을 선택합니다.

   이 모션 블록의 노이즈를 어느 그룹의 난이도로 다룰지 정합니다. 비워 두면 미배정 상태가 됩니다.

2. 노이즈 step-up / offset 을 6축으로 입력합니다.

   위치 3축(x, y, z)과 회전 3축(ax, ay, az) 각각에 대해 step-up과 offset을 정합니다.

   • 스텝업 노이즈 (스테이지당 증가량) — 다음 스테이지로 올라갈 때마다 더해지는 증가폭입니다. 단계가 오를수록 랜덤 범위가 계단식으로 넓어집니다.
   • 노이즈 offset — 스테이지 0의 기본 랜덤 범위입니다(단계와 무관하게 항상 더해짐).

   실제 노이즈는 매 롤아웃마다 ±(|offset| + |step_up| × stage_index) 사이의 균일 랜덤으로 다시 샘플됩니다.

3. 예상 노이즈 프리뷰로 범위를 확인합니다.

   현재 입력값으로 예상되는 노이즈 ± 최댓값이 6축별로 표시되어(스테이지 1단계 진행 시 기준), 저장 전에 실제 범위를 가늠할 수 있습니다.

디바이스 탭 — 로봇·센서 켜기 #

디바이스 탭에는 이 플래너가 사용하는 로봇과 센서가 나열됩니다. 각 항목의 토글로 로봇·센서를 켜고 끄며, 상태는 색으로 표시됩니다(커스텀 디바이스는 토픽 켜짐/꺼짐 상태로 보입니다).

그룹 정책 탭 — 승급 · 수집 · 학습 정책 #

그룹 정책 탭에서는 그룹을 선택해 승급(진급) 정책, 수집 정책, 학습 정책을 정합니다. 승급은 누적 개수가 아니라 현재 스테이지의 성공률을 기준으로 합니다.

1. 그룹을 선택합니다.

   정책은 그룹별로 따로 저장됩니다.

2. 승급 정책 (성공률) 값을 정합니다.

   • 목표 성공률 (0~1) (기본 0.8) — 현재 스테이지의 성공률(= 성공 / (성공 + 실패))이 이 값에 도달하면 노이즈 정책을 갱신하며 다음 스테이지로 진급합니다.
   • 최소 롤아웃 수 (기본 10) — 성공률 판정에 필요한 최소 롤아웃 횟수입니다. 통계가 안정될 때까지 진급을 미루는 안전장치입니다.

   승급 정책은 Enterprise 요금제에서만 표시됩니다. 다른 요금제의 플래너 > 플래너에서 학습하기 화면은 스테이지 승급이 없는 축소판이라 수집 정책과 학습 정책만 있습니다.

3. 수집 정책 값을 정합니다.

   • 실패 저장 확률 (기본 1) — 실패한 에피소드를 failure 데이터셋에 저장할 확률입니다.
   • 성공 저장 확률 (기본 1) — 성공한 에피소드를 success 데이터셋에 저장할 확률입니다.

   두 값 모두 0~1이며, 1이면 항상 저장하고 0이면 저장하지 않습니다. 성공/실패 카운트 자체는 이 확률과 무관하게 항상 갱신됩니다.

4. 학습 정책 값을 정합니다.

   • 데이터 비중 — base 데이터 / 성공 데이터 / 교정 데이터를 학습에서 몇 배로 샘플링할지 제외 · ×½ · ×1 · ×2 · ×3 · ×5 중에서 고릅니다. 제외를 고르면 그 데이터는 학습에서 뺍니다. 처음에는 base ×1, 성공 제외, 교정 ×1로 시작합니다.
   • 체크포인트별 파라미터 — 그룹의 체크포인트 블록마다 n: 데이터로더 갱신(에피소드) *(기본 10)*과 m: 배포 주기(스텝) *(기본 1000)*을 정합니다. n 에피소드가 새로 쌓이면 데이터로더를 갱신(핫스왑)하고, 학습 스텝 수를 0(무한)으로 시작한 학습은 m 스텝마다 가중치를 배포합니다.

5. 저장을 눌러 정책을 적용합니다.

설정을 마쳤으면 롤아웃·학습 실행 / 모니터 / 교정 / 진급으로 넘어갑니다.