FLORA 공개: 로봇 학습을 위한 확장형 데이터 엔진

로봇 데이터가 다음 병목이 되는 이유

로봇 파운데이션 모델의 발전은 매개변수 규모나 학습 연산량만으로 설명하기 어렵습니다. 실제로는 영상과 행동 궤적을 일관된 학습 신호로 바꾸는 데이터 파이프라인이 중요합니다. 어떤 행동이 언제 일어났는지, 중간 단계가 올바른지, 전체 작업이 성공했는지를 각각 판단해야 하기 때문입니다. FLORA는 이러한 라벨링 과정을 대규모로 운영하기 위한 오픈 모델 제품군으로 소개됩니다.

세 가지 라벨링 기능

논문에 따르면 FLORA는 로봇 모델의 생애주기에서 다음과 같은 세 종류의 라벨을 다룹니다.

• 타임스탬프 캡션: 영상 속 행동과 사건을 특정 시점과 연결해 사전학습 데이터의 선별과 균형 조정에 활용한다.
• 과정 보상: 궤적의 중간 행동을 평가해 강화학습 후처리에 더 세밀한 피드백을 제공한다.
• 결과 보상: 최종 작업의 성공 여부를 판단해 실제 환경 배포 후 모니터링과 평가에 사용한다.

로봇의 한 궤적에는 시간 정보, 중간 행동에 대한 평가, 최종 결과가 동시에 필요할 수 있습니다. 이 작업을 여러 개의 분리된 도구로 나누는 대신 하나의 데이터 엔진으로 묶으면, 연구팀은 특정 로봇과 작업에 맞춘 데이터셋을 더 쉽게 만들 수 있습니다. FLORA의 핵심은 단일 모델의 성능보다 반복 가능한 데이터 생산 과정을 제공하려는 데 있습니다.

성능과 처리 규모

FLORA는 캡션 벤치마크인 WGO-Bench와 보상 벤치마크인 RoboReward, Robometer에서 최고 수준의 성능을 기록했다고 보고합니다. 내부 평가에서는 GPT-6 Astra와 경쟁할 만한 결과를 보였고, 비교에 포함된 다른 프런티어 모델보다 높은 성능을 냈다고 설명합니다. 또한 API 기반 대안보다 비용이 크게 낮으며, GPT-6 Astra와 비교하면 약 125배 저렴하다고 주장합니다.

확장성도 중요한 특징입니다. FLORA는 GR00T 모델 학습에 활용됐으며, 512개의 GB300에서 하루 약 20만 시간 분량의 데이터를 라벨링할 수 있다고 합니다. 이는 단순한 모델 추론 속도뿐 아니라 영상 처리량, 라벨 일관성, 후속 학습 시스템과의 연결을 함께 고려한 데이터 인프라가 필요하다는 점을 보여줍니다.

오픈소스화가 가져올 가능성

FLORA가 공개되면 연구자들은 고비용의 수작업 라벨링이나 외부 API에만 의존하지 않고, 자체 로봇과 환경에 맞춘 데이터셋을 확장할 수 있습니다. 논문은 물리 세계에서의 자동 연구와 인간의 기술을 로봇으로 이전하는 작업을 잠재적 응용 분야로 제시합니다. 대규모 경험을 자동으로 구조화할 수 있다면, 로봇 학습은 일회성 데이터 구축에서 지속적인 수집·평가·개선의 순환으로 이동할 수 있습니다.

다만 제공된 자료만으로는 모델 구조, 학습 방식, 공개 라이선스의 범위를 확인하기 어렵습니다. 자동 보상 판정의 신뢰성, 서로 다른 로봇 형태에 대한 전이 성능, 라벨링 편향은 실제 사용자가 검증해야 할 부분입니다. 그럼에도 FLORA는 로봇 연구의 경쟁력이 정책 모델 자체뿐 아니라 재사용 가능한 데이터 엔진과 평가 루프에도 달려 있음을 보여주는 사례입니다.

출처: Hugging Face Daily Papers