Chapter 9: 한 단계씩 학습 스택을 올린다 — Baseline-to-Policy 실험 Runbook

개요

이 장은 새로운 algorithm을 소개하지 않습니다. Chapter 1–8에서 만든 execution hierarchy, planning, contact control, dataset, BC/ACT, generative policy, selective RL, async/fallback contract를 하나의 tabletop assembly에서 같은 task contract를 바꾸지 않고 비교하는 runbook입니다. 다음 단계는 이전 단계가 실패해서가 아니라, 측정된 gap이 있고 그 gap을 해결할 hypothesis와 budget이 있을 때만 추가합니다.

관통 task는 6/7-DoF single arm, parallel gripper, wrist/scene camera가 물체를 잡아 collision-free로 운반하고 peg-like insertion 후 retreat하는 작업입니다. classical baseline이 먼저 실행 가능성과 controller contract를 증명합니다. dataset gate가 시범의 의미를 증명하고, BC/ACT가 첫 learned baseline을 만듭니다. multimodality가 실제 failure로 확인되면 diffusion/flow를 비교하고, reward-based optimization의 추가 가치가 사전 등록될 때만 RL을 엽니다.

근거 상태 주의: 이 전체 ladder는 S12의 original synthesis입니다. MoveIt, ACT, Diffusion Policy, HIL-SERL은 각 component의 근거이지 classical → imitation → generative → RL → hardware 전체 sequence를 한 번에 검증하지 않습니다 ^{[12] [7] [8] [11]}. Capuano tutorial의 sequence는 implementation orientation과 API-reading aid로만 쓰며 raw code나 hardware authorization path로 복사하지 않습니다 ^[14].

이 장을 읽고 나면... - versioned experiment card와 immutable task/action/controller/evaluation contract를 만들 수 있습니다. - classical, dataset, BC/ACT, generative, optional RL gate의 done-when을 구분할 수 있습니다. - success denominator, intervention, safety event, latency, recovery, drift, shift를 같은 표에서 비교할 수 있습니다. - simulation, shadow, bounded hardware evidence를 섞지 않을 수 있습니다. - rollback checkpoint와 release evidence를 준비할 수 있습니다. - #S13에 model weight가 아니라 stable skill/data/evaluation/safety contract를 넘길 수 있습니다.

최종 실험 질문은 다음과 같습니다. 같은 assembly task에서 어떤 최소 stack이 pre-registered KPI를 만족하며, 더 복잡한 policy가 추가한 이득은 data·controller·compute·human·hardware cost보다 큰가?

1. Gate 0 — experiment card를 먼저 동결한다

방법을 실행하기 전에 다음 card를 repository에 versioning합니다.

experiment ID는 task@version + dataset + checkpoint + code + config + controller + evaluator hash로 만듭니다. 성공 screenshot이나 weight filename이 identity가 아닙니다. config 변경은 새 row이고 이전 result를 덮어쓰지 않습니다.

1.1 공통 metric contract

모든 promotion stage는 artifact identity, success denominator, intervention, collision/force event, latency, recovery, calibration drift, distribution shift를 보존합니다. complete metric set은 S12 synthesis이며 official LeRobot docs는 documented episode/evaluation workflow만 검증합니다 ^{[15] [16] [10]}.

$$

\hat p=\frac{N_{success}}{N_{eligible}},\qquad

r_{int}=\frac{N_{intervention}}{N_{eligible}},\qquad

r_{safe}=\frac{N_{collision}+N_{force}+N_{stop}}{N_{eligible}}.

$$

eligible을 결과 뒤에 바꾸지 않습니다. setup failure, sensor missing, operator abort, protective stop, policy timeout을 taxonomy로 분리하고 exclusion rule을 사전 등록합니다. success는 unassisted와 intervention-assisted를 분리합니다.

2. Gate 1 — deterministic classical baseline

known geometry와 fixture에서 grasp candidate, IK, collision-aware path, time parameterization, trajectory controller, contact controller를 연결합니다. RRT-Connect는 sampling-based path-planning lineage를, TOPP-RA는 fixed path의 timing lineage를 제공합니다 ^{[1] [5]}. 이들을 universal best로 취급하지 않고 local planner seed, timeout, collision scene, limits를 versioning합니다.

MoveIt move_group은 planning scene과 controller action interface를 연결하며 ^[12], trajectory processing은 geometric path와 time parameterization의 책임을 분리합니다 ^[13]. ros2_control/controller는 실제 execution boundary를 갖습니다 ^{[19] [20]}.

Classical done when

• task phase FSM과 owner–rate–deadline–failure matrix가 있습니다.
• start/goal validity, collision, IK branch, time scaling, controller tolerance가 log됩니다.
• free-space와 contact evaluator가 분리됩니다.
• repeated initial bins에서 denominator와 failure taxonomy가 고정됩니다.
• hold, retreat, watchdog, human stop, rollback이 fault injection을 통과합니다.
• planner/trajectory/controller artifact를 replay할 수 있습니다.

classical success가 낮으면 learned policy로 원인을 덮지 않습니다. calibration, geometry, timing, contact controller를 먼저 고칩니다. learned baseline은 classical trajectory와 같은 action/controller boundary를 사용해야 합니다.

3. Gate 2 — dataset release와 data QA

Chapter 4 schema로 raw/mapped/sent action, event/arrival time, calibration epoch, intervention, reset, failure, safety event를 보존합니다. UMI와 DROID는 data collection의 서로 다른 lineage를 제공하지만 ^{[9] [10]}, 이 task의 schema와 품질을 자동 보증하지 않습니다.

Dataset done when

• task card와 episode termination이 일치합니다.
• object/scene/operator/calibration split leakage가 없습니다.
• camera/state/action clock age와 uncertainty가 threshold 안입니다.
• processor unit/sign/frame/order/saturation round-trip test가 통과합니다.
• replay에서 missing/drop/reorder와 impossible velocity가 검출됩니다.
• intervention authority와 recovery target이 구분됩니다.
• release manifest, parent, hash, quarantine/reject list가 있습니다.

dataset QA가 실패하면 episode 수를 늘리지 않습니다. recorder·calibration·mapping을 고치고 새 version을 만듭니다.

4. Gate 3 — plain BC와 ACT

plain BC를 먼저 실행해 observation/action semantics와 closed-loop covariate shift를 확인합니다 ^{[2] [3]}. RoboMimic은 dataset·observation·architecture choice를 함께 검토하는 benchmark lineage입니다 ^[6]. ACT는 action chunk와 temporal aggregation의 candidate입니다 ^[7].

BC/ACT done when

• exact dataset/split/processor/checkpoint hash가 있습니다.
• offline phase error, chunk boundary, projection delta가 보고됩니다.
• simulation delay/drop/contact regression을 통과합니다.
• shadow에서 proposal/projected/sent action을 비교합니다.
• inference p50/p95/max, action age, queue behavior가 deadline 안입니다.
• plain BC 대비 chunk/ACT improvement attribution이 있습니다.
• rollback to classical 또는 previous checkpoint가 deterministic합니다.

LeRobot rollout example의 duration limit은 motion safety envelope나 sufficient evaluation protocol이 아닙니다 ^[16]. workspace, speed, force, owner, stop, denominator가 별도로 필요합니다.

5. Gate 4 — diffusion 또는 flow는 measured multimodality가 있을 때만

ACT가 충분하면 이 gate를 건너뜁니다. 같은 observation에서 genuinely multiple valid trajectories가 있고 deterministic chunk가 mean action, mode omission, recovery failure를 보일 때 generative branch를 엽니다. Diffusion Policy는 conditional denoising action sequence와 receding horizon의 primary reference입니다 ^[8]. flow candidate는 same task에서 solver, step, latency, feasibility를 검증합니다.

Generative done when

• multimodality hypothesis가 hidden phase·label noise·clock error와 분리됐습니다.
• ACT와 동일 dataset, observation/action horizon, controller, evaluator를 씁니다.
• sample count/solver step, preprocessing, end-to-end latency를 기록합니다.
• multiple samples의 diversity와 task validity를 함께 봅니다.
• trim/blend 뒤 feasibility projection을 다시 수행합니다.
• deadline miss, stale action, OOD, recovery behavior가 stress test를 통과합니다.
• measured benefit가 extra compute와 complexity를 넘습니다.

official contribution workflow의 ten real episodes는 coarse starting point일 뿐 variable task의 statistical sufficiency가 아닙니다 ^[15]. denominator, initial-state bins, failure taxonomy, uncertainty를 사전 지정합니다.

6. Gate 5 — selective RL은 optional branch다

matched BC/ACT baseline이 reward로 최적화할 measurable gap을 남기고 reward, reset, human, hardware cost보다 benefit이 클 때만 RL을 실행합니다. 이는 S12 promotion decision이며 unmatched ACT, BAKU, HIL-SERL number를 순위표로 만들지 않습니다 ^{[7] [11]}.

RL card는 failure slice, reward/evaluator separation, reset owner, interaction cap, human minutes, hardware exposure, residual/offline/online branch, NO_RL exit를 기록합니다. first run은 replay/offline, 다음 simulation, 다음 shadow입니다. real online RL은 reader requirement가 아닙니다.

RL done when

• pre-registered incremental threshold와 non-inferiority safety metric이 있습니다.
• BC/ACT retraining과 controller tuning ablation이 있습니다.
• reward hacking challenge와 offline support audit가 통과합니다.
• reset distribution과 manual labor가 log됩니다.
• policy 밖에 projection, watchdog, E-stop, human authority가 남습니다.
• cost-inclusive result가 PROMOTE, REVISE, NO_RL 중 하나를 냅니다.

7. Gate 6–8 — simulation, shadow, bounded hardware

simulation regression

MuJoCo 같은 simulator는 deterministic replay와 stress test를 제공할 수 있지만 ^[4], simulation success는 real contact fidelity나 safety evidence가 아닙니다. nominal과 held-out stress를 분리하고 geometry, dynamics, contact, sensor, latency, policy-distribution error를 각각 기록합니다.

shadow

approved stack이 robot을 움직이고 candidate는 proposal만 냅니다. proposed/projected/sent, evaluator, action age, queue, fallback, authority를 같은 cycle_id에 기록합니다. systematic rejection, phase conflict, stale chunk가 있으면 hardware로 가지 않습니다.

bounded hardware

time limit만 두지 않습니다. signed card에 workspace, speed, force, controller mode, max episodes/interactions, stop owner, reset owner, abort threshold, independent E-stop, rollback checkpoint를 둡니다. block 중 config나 reward를 바꾸지 않습니다.

8. worked end-to-end trace

이 episode를 success로 미화하거나 dataset에서 삭제하지 않습니다. planner, policy, controller, network 중 어느 layer가 원인인지 trace로 분리합니다. revision 후 같은 initial bin과 evaluator에서 regression합니다.

9. failure diagnosis와 cross-chapter checklist

모든 result row는 task/dataset/checkpoint/config/controller/evaluator hash, denominator, success, intervention, collision/force/stop, latency, recovery, calibration drift, distribution shift를 갖습니다. missing metric은 0이 아니라 not measured입니다.

release evidence

• reproducible build와 config lock;
• claim/source/factcheck trail;
• simulation, shadow, bounded-trial reports;
• checkpoint allowlist와 rollback evidence;
• figure/source provenance;
• KO/EN build and link validation;
• passing QA/scorecard 이후에만 release receipt.

9.1 config·error budget·rollback bundle

각 gate는 machine-readable manifest와 human-readable verdict를 함께 냅니다. manifest는 parent hash와 schema version을, report는 pass/fail reason과 raw evidence locator를 기록합니다. classical gate는 planner/controller/FSM config와 path·trajectory·fault log를, dataset gate는 recorder/schema/split과 immutable episode를, learned gate는 train/processor config와 curves·checkpoint·prediction을 묶습니다. runtime gate는 queue/FSM/fallback과 packet·clock·transition log를, hardware gate는 signed card와 raw cycle·incident log를 묶습니다.

default를 암묵적으로 상속하지 않습니다. absent, null, inherited value를 구분하고 seed뿐 아니라 dependency lock, CPU/GPU, math flag, driver/firmware, camera exposure, network topology, controller rate를 기록합니다. weight는 compatible processor, action schema, controller mode, queue policy, fallback allowlist가 없으면 deployable artifact가 아닙니다.

task error를 perception, calibration, planning/discretization, controller tracking, contact/model, latency-conditioned policy error로 분해합니다. 이들을 universal scalar로 단순 합산하지 않습니다. phase마다 unit과 correlation이 다르기 때문입니다. 각 error에 probe, frame, uncertainty, owner, threshold를 둡니다.

rollback은 이전 weight load가 아닙니다. checkpoint, processor, schema, controller mode, queue epoch, FSM state를 compatible set으로 atomic하게 선택하고 old chunk를 purge합니다. inference crash, corrupt checkpoint, schema mismatch, clock jump, disconnect, projection storm, controller rejection, human takeover를 rehearsal합니다. 결과는 SAFE_HOLD, RETREAT, CLASSICAL_FALLBACK, HUMAN_RECOVERY, STOP 중 하나여야 하며 undefined transition은 fail입니다.

STOP_LADDER는 실패가 아니라 deployment success입니다. release receipt는 task/dataset/checkpoint/controller/evaluator hash, denominator, result, limitation, rollback, owner sign-off를 포함합니다. survey publication receipt는 별도로 manuscript build, references, figures, factcheck, QA, deploy/live verification을 기록합니다. preview URL이나 성공 video만으로 release를 선언하지 않습니다.

모든 child artifact가 parent를 resolve하는지 마지막으로 audit합니다. shadow report는 exact checkpoint/controller를, bounded trial은 passing shadow와 signed card를, receipt는 mutable latest가 아닌 exact report를 가리킵니다. rejected checkpoint, quarantined episode, missed deadline, aborted trial도 negative evidence로 보존합니다.

9.6 shift와 maintenance trigger

release 뒤에도 승인 상태가 영구적이지 않습니다. object supplier, fixture, lighting, camera mount, tool, firmware, network, controller, policy dependency가 바뀌면 어느 gate를 다시 열지 trigger table을 둡니다. calibration change는 data replay와 shadow를, controller firmware는 classical/contact/runtime regression을, observation schema는 dataset부터 모든 learned checkpoint를 다시 요구할 수 있습니다.

production monitoring은 success만 보지 않습니다. initial-state bin별 intervention, projection, deadline miss, recovery, force event와 missing modality를 baseline distribution과 비교합니다. threshold를 넘으면 자동 retraining이 아니라 evidence freeze, safe fallback, owner review를 시작합니다. failure episode는 provenance를 유지한 채 quarantine하며 test set을 training에 조용히 흡수하지 않습니다.

maintenance receipt에는 trigger, affected artifact, temporary operating restriction, completed regression, new approval, superseded receipt를 기록합니다. 이 절차가 있어야 runbook이 one-off demo가 아니라 운영 가능한 learning stack이 됩니다.

마지막으로 담당자 교체 rehearsal을 합니다. 두 번째 operator가 구두 설명 없이 receipt만 읽고 approved checkpoint, start state, trial envelope, stop owner, expected telemetry, rollback, prohibited action을 찾아야 합니다. device, frame, unit, mode, threshold를 추측해야 한다면 handoff는 실패입니다. inference server unavailable과 incompatible schema 조건에서도 non-moving 또는 validated fallback을 유지하고 bounded reason code를 남기는지 확인합니다.

9.7 release candidate 동결과 독립 승인

bounded trial을 요청하기 전에 하나의 immutable release-candidate bundle을 만듭니다. bundle은 checkpoint weight만 담지 않습니다. processor, observation/action schema, calibration epoch, controller mode와 rate, queue/FSM config, evaluator, task bins, denominator, exclusion rule, rollback target, dependency lock을 exact hash로 묶습니다. 사람이 읽는 trial card와 machine-readable manifest가 같은 hash를 가리켜야 합니다. candidate를 만든 뒤 threshold, tolerance, denominator, task mix를 바꾸면 기존 승인을 수정하지 않고 새 candidate ID를 발급해 해당 gate를 다시 엽니다.

작성자와 다른 reviewer가 read-only evidence로 두 번째 검사를 수행합니다. reviewer는 raw episode와 aggregate table의 denominator가 일치하는지, excluded episode가 reason과 함께 남아 있는지, checkpoint가 허용된 dataset·processor parent를 resolve하는지, rollback tuple이 실제로 load 가능한지 확인합니다. success video나 평균 score만 보지 않고 intervention, stop, collision/force event, deadline miss, recovery, missing modality를 initial-state bin별로 대조합니다. 모르는 값은 pass로 추론하지 않고 not measured 또는 not exercised로 남깁니다.

승인 전에는 movement 없는 reconstruction dry run을 수행합니다. 저장된 packet과 event log만으로 queue decision, stale-chunk rejection, FSM transition, evaluator verdict, report table을 다시 생성하고 artifact hash를 비교합니다. 이어 inference server unavailable, incompatible schema, missing calibration receipt를 주입해 queue가 비고 시스템이 non-moving 또는 validated fallback에 머무는지 확인합니다. 이 단계는 hardware 명령을 보내지 않으며 controller interface stub까지만 사용합니다.

두 사람의 sign-off는 역할을 분리합니다. 실험 owner는 candidate가 intended task와 operating envelope를 대표한다고 서명하고, safety·operations reviewer는 stop owner, prohibited actions, rollback, evidence completeness를 승인합니다. 어느 한쪽도 missing evidence를 면제할 수 없습니다. config drift, dependency change, calibration 만료, rehearsal 실패가 감지되면 candidate 상태는 FROZEN에서 INVALIDATED로 바뀌고 trial 권한은 자동으로 사라집니다. receipt에는 누가 언제 어떤 evidence hash를 검토했는지와 재승인에 필요한 gate를 기록합니다.

10. bounded Codex prompts

Goal
- Build the versioned experiment-card validator and promotion report for the
  tabletop assembly ladder; execute no hardware motion.
Context
- Read task, dataset/split, controller, evaluator, FSM, queue/fallback,
  safety ownership, and approved checkpoint manifests.
Constraints
- Keep task/action/controller/evaluator fixed across comparison rows.
- Implement gates for classical, data QA, BC, chunked BC, ACT, generative,
  optional RL, simulation, shadow, and bounded-trial-card review.
- Every row records hashes, denominator, intervention, safety events, latency,
  recovery, drift, shift, human/reset/exposure cost, and rollback target.
- Treat skipped gates and NO_RL as valid outcomes; never invent settings.
Done when
- Schema tests reject incompatible artifacts and leaked splits.
- Reports identify failed gate, owner, evidence, and exact rollback.
- A deterministic replay reproduces the worked trace and stale-chunk rejection.
- Output a human-reviewed bounded trial card, not a hardware command.
Safety
- Policy/LLM/VLA never owns torque, force limits, watchdog, E-stop, or approval.

11. #S13 handoff contract

#S13에 넘기는 것은 raw model weight만이 아니라 versioned skill/task interface, dataset metadata, evaluation suite, fallback state, independent safety contract입니다. 이것은 editorial handoff rule이며 generalist model performance claim이 아닙니다 ^[14].

handoff bundle은 task/skill API, observation/action schema, dataset lineage/splits, controller rate/deadline, async/fallback semantics, evaluator/failure taxonomy, approved checkpoints, simulation/shadow/hardware evidence, unresolved gaps를 포함합니다. #S13은 VLA pretraining, action representation, cross-embodiment, language grounding, world models, agents를 새 cutoff와 원출처로 조사합니다. 어떤 model도 downstream safety authority를 상속하지 않습니다.

제조 셀 적용 체크포인트

• [ ] Gate 0 contract와 budget이 결과 전에 동결됐습니다.
• [ ] classical baseline과 rollback이 검증됐습니다.
• [ ] dataset release가 replay와 split QA를 통과했습니다.
• [ ] plain BC가 있고 ACT 이득이 attribution됐습니다.
• [ ] generative/RL gate는 measured need가 없으면 skipped입니다.
• [ ] simulation, shadow, bounded hardware evidence가 분리됩니다.
• [ ] independent stop authority와 rollback이 trial card에 있습니다.
• [ ] 모든 row의 denominator와 failure taxonomy가 보존됩니다.
• [ ] release는 passing full QA와 receipt 이후에만 선언됩니다.

기존 서베이와의 연결

#S11의 commissioning·first motion·evidence-before-energy 원칙을 다시 설명하지 않고, 이 runbook의 Gate 0–1 precondition으로 사용합니다. #S11이 release-ready가 되기 전에는 final public cross-link를 확정하지 않습니다.

다음에 배울 것

#S12의 결론은 가장 복잡한 policy를 선택하는 것이 아니라, 가장 단순하게 KPI를 만족하는 stack과 그 rollback evidence를 남기는 것입니다. 다음 권 #S13은 이 contract 위에서 upstream intelligence를 확장합니다.

참고문헌

1. Kuffner, J. J., & LaValle, S. M. (2000). RRT-Connect. ICRA.
2. Argall, B. D., et al. (2009). A Framework for Learning from Demonstration. RAS.
3. Ross, S., Gordon, G., & Bagnell, J. A. (2011). A Reduction of Imitation Learning and Structured Prediction to No-Regret Online Learning. AISTATS.
4. Todorov, E., Erez, T., & Tassa, Y. (2012). MuJoCo. IROS.
5. Pham, H., & Pham, Q.-C. (2018). A New Approach to Time-Optimal Path Parameterization Based on Reachability Analysis. IEEE Transactions on Robotics. DOI: 10.1109/TRO.2018.2819195. arXiv:1707.07239.
6. Mandlekar, A., et al. (2021). RoboMimic. CoRL.
7. Zhao, T. Z., et al. (2023). Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware. RSS.
8. Chi, C., et al. (2023). Diffusion Policy. RSS. Terry 한국어 해설.
9. Ha, H., et al. (2024). Universal Manipulation Interface. RSS.
10. Khazatsky, A., et al. (2024). DROID. RSS.
11. Luo, J., Xu, C., Wu, J., & Levine, S. (2024). Precise and Dexterous Robotic Manipulation via Human-in-the-Loop Reinforcement Learning. arXiv:2410.21845.
12. MoveIt / PickNik (2025a). move_group Architecture. Official docs.
13. MoveIt / PickNik (2025b). Trajectory Processing. Official docs.
14. Capuano, F., et al. (2025). Robot Learning: A Tutorial. arXiv:2510.12403v1.
15. Hugging Face (2026a). Adding a Policy. Official docs.
16. Hugging Face (2026b). Policy Deployment and Rollout. Official docs.
17. Hugging Face (2026c). Human-In-the-Loop Data Collection. Official docs.
18. Hugging Face (2026d). Asynchronous Inference. Official docs.
19. ros-controls (2026a). ros2_control Architecture. Official docs.
20. ros-controls (2026b). Joint Trajectory Controller. Official docs.
21. Samad Hayati (1985). Geometric Approach for Robotic Calibration. Annotated primary reading. DOI: 10.1109/ROBOT.1985.1087372. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: Geometric calibration cannot absorb compliance, backlash, thermal drift, base motion, or time delay without corrupting parameters.
22. Christopher G. Atkeson et al. (1986). Estimation of Inertial Parameters of Manipulator Loads and Links. Annotated primary reading. DOI: 10.1177/027836498600500306. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: Numerical differentiation, sensor bias, friction, unmodeled flexibility, and closed-loop correlation can dominate estimates.
23. Maxime Gautier (1991). A Direct and Efficient Method for Identifying the Minimum Dynamic Parameters of Robots. Annotated primary reading. DOI: 10.1109/ROBOT.1991.131896. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: A minimal algebraic set may still violate physical consistency or be poorly excited by the chosen experiment.
24. Jan Swevers et al. (1997). Excitation Trajectories for the Identification of Base Inertial Parameters of Robots. Annotated primary reading. DOI: 10.1177/027836499701600306. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: Needs torque estimates and safe trajectory bounds; friction, temperature, payload, and controller dynamics require separate modeling.
25. Tobias Kunz & Mike Stilman (2012). Time-Optimal Trajectory Generation for Path Following with Bounded Acceleration and Velocity. Annotated primary reading. DOI: 10.15607/rss.2012.viii.027. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: Performance depends on geometry, initialization, objectives, and model fidelity; feasibility does not imply controller tracking.
26. Alexandre Janot et al. (2014). Identification of Robot Dynamics with the Instrumental Variable Method. Annotated primary reading. DOI: 10.1109/TRO.2014.2319567. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: Requires a useful initial model and noise assumptions; unmodeled friction and controller nonlinearities can remain.
27. Silvio Traversaro et al. (2016). Identification of Fully Physical Consistent Inertial Parameters using Optimization on Manifolds. Annotated primary reading. DOI: 10.1109/IROS.2016.7759801. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: Optimization is nonconvex and still depends on excitation, torque quality, and correct rigid-body structure.
28. Hung Pham & Quang-Cuong Pham (2018). TOPP-RA: A Fast and Robust Implementation of Time-Optimal Path Parameterization for Robots. Annotated primary reading. DOI: 10.1109/tro.2018.2821155. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: Performance depends on geometry, initialization, objectives, and model fidelity; feasibility does not imply controller tracking.
29. Patrick M. Wensing et al. (2018). Linear Matrix Inequalities for Physically Consistent Inertial Parameter Identification. Annotated primary reading. DOI: 10.1109/TRO.2017.2769099. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: Physical consistency does not guarantee identifiability, correct friction/actuator models, or transfer under different payloads.
30. Fanbo Xiang et al. (2020). SAPIEN: A SimulAted Part-based Interactive ENvironment. Annotated primary reading. DOI: 10.1109/cvpr42600.2020.01104. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: Simulation throughput or benchmark success does not establish real contact fidelity or hardware safety.
31. C. Daniel Freeman et al. (2021). Brax: A Differentiable Physics Engine for Large Scale Rigid Body Simulation. Annotated primary reading. arXiv:2106.13281. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: Simulation throughput or benchmark success does not establish real contact fidelity or hardware safety.
32. Han et al. (2024). Flange-Based 3D Hand–Eye Calibration for Soft Robotic Tactile Welding. Annotated primary reading. DOI: 10.1016/j.measurement.2024.115376. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: Welding/tactile geometry differs from tabletop RGB-D
33. Hongjie Fang et al. (2024). AirExo: Low-Cost Exoskeletons for Learning Whole-Arm Manipulation in the Wild. Annotated primary reading. arXiv:2309.14975. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: Platform, task, dataset, and evaluation assumptions must be checked in the primary paper before transferring a result.
34. Tomohiro Motoda et al. (2025). AIST Bimanual Manipulation Dataset. Annotated primary reading. canonical URL. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: ALOHA actions and camera placement are embodiment-specific
35. Yuhan Wang et al. (2025). ExDex: Dexterous Non-Prehensile Manipulation for Ungraspable Objects. Annotated primary reading. arXiv:2503.23120. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: Exact object counts and trial denominators require full-table extraction
36. Chi Zhang et al. (2025). UniTacHand: Unified Spatio-Tactile Representation for Human to Robotic Hand Skill Transfer. Annotated primary reading. arXiv:2512.21233. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: Platform, task, dataset, and evaluation assumptions must be checked in the primary paper before transferring a result.
37. Yeseung Kim et al. (2026). A Visuo-Tactile Data Collection System with Haptic Feedback for Coarse-to-Fine Imitation Learning. Annotated primary reading. arXiv:2605.08757. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: Platform, task, dataset, and evaluation assumptions must be checked in the primary paper before transferring a result.
38. Junji Oaki et al. (2026). A Reproducible and Physically Feasible Dynamic Parameter Identification Framework for a Low-Cost Robot Arm. Annotated primary reading. arXiv:2605.15949. — 역할: 공통 task contract·검증·승격 artifact를 설계하는 1차 읽기. 한계: One low-cost arm does not cover tendon hands or torque-sensor cobots