https://vpraise00.github.io/VLA, WAM, Robotics 연구 브리핑ko https://vpraise00.github.io/papers/2611.05372.htmlhttps://vpraise00.github.io/papers/2611.05372.htmlPolicyIK는 로봇 관절 위치참조를 누적하고 실제 관절과 참조 차이, 다중 정밀도 pose feedback, dwell reward로 IK를 강화학습한다. Isaac Sim 4,120 목표 93.49%와 실물 OpenArm 43/60 holding, π0.5 pick-and-place 비교를 조건별로 분석한다.robotics https://vpraise00.github.io/papers/2611.05249.htmlhttps://vpraise00.github.io/papers/2611.05249.htmlAction Expert의 flow loss를 VLM까지 역전파해야 할까? Action-token CE 유무 × gradient coupling 2×2 실험으로, 동일한 VLA 구조라도 open-loop ADE·closed-loop 주행·로봇 조작에서 결론이 달라지는 이유를 분석한다.vla https://vpraise00.github.io/papers/2611.05155.htmlhttps://vpraise00.github.io/papers/2611.05155.htmlARP는 무거운 VLM의 느린 의미 해석과 빠른 카메라 기반 행동 생성을 비동기적으로 분리한다. stale semantic memory 학습이 왜 필수인지, LIBERO·Dynamic-Bump·Franka/DROID·RoboLab 결과와 실험 조건을 원문 기준으로 검증한다.vla https://vpraise00.github.io/papers/2611.05062.htmlhttps://vpraise00.github.io/papers/2611.05062.htmlFloMo는 인간 동영상의 움직임을 3D scene flow로 바꾸어 Wan 2.2 5B의 동일 latent에서 행동과 함께 예측한다. 실제 양팔 로봇 OOD 18/30 성공과 비디오 예측 ablation, RoboTwin·역동역학 probe 및 장면흐름의 한계를 검토한다.wam https://vpraise00.github.io/papers/2611.05023.htmlhttps://vpraise00.github.io/papers/2611.05023.html한 WAM이 모든 미래 프레임을 빽빽하게 생성하는 대신 장기 작업 진척과 근거리 접촉 동역학을 다른 시간 해상도로 예측하는 HiLo-WAM. dual-DiT, 비대칭 attention, 점진적 denoising을 실험표와 로봇 평가를 통해 검토한다.wam https://vpraise00.github.io/papers/2611.04870.htmlhttps://vpraise00.github.io/papers/2611.04870.html그럴듯한 로봇 동영상 대신 ‘명령한 행동을 실제로 따르는 시뮬레이터’가 되려면 무엇이 필요한가? PrimeSim의 30,110시간·22플랫폼 midtraining, multiview action conditioning, 4-step autoregressive posttraining 및 정책 평가·GRPO 검증을 분석한다.wam https://vpraise00.github.io/papers/2504.16054.htmlhttps://vpraise00.github.io/papers/2504.16054.html처음 보는 실제 집에서 로봇이 장기 조작 과제를 수행하려면 어떤 학습 데이터와 계층적 제어가 필요한가? π0.5의 이종 데이터 공동학습, FAST 토큰 사전학습, Flow Matching 후속학습을 원문 Figure와 실험 설계로 해설한다.vla https://vpraise00.github.io/papers/2410.24164.htmlhttps://vpraise00.github.io/papers/2410.24164.htmlπ0의 PaliGemma 기반 VLM과 300M action expert를 원문 Figure 3으로 추적한다. Flow Matching 수식과 H=50 행동 chunk, 실제 빨래 접기 Figure 2와 추론 지연을 구분해 읽는다.vla https://vpraise00.github.io/papers/2406.09246.htmlhttps://vpraise00.github.io/papers/2406.09246.htmlOpenVLA의 DINOv2·SigLIP·MLP·Llama 2 구조를 원문 Figure 2와 함께 따라가고, 256-bin 행동 토큰화와 29개 로봇 과제 결과가 무엇을 뜻하는지 해설한다.vla https://vpraise00.github.io/papers/2405.12213.htmlhttps://vpraise00.github.io/papers/2405.12213.htmlOcto를 원본 PDF Figure 2(토큰·읽기 헤드)와 Figure 3(학습 데이터 비중)로 이해한다. 80만 궤적, 25개 데이터셋, diffusion action head, 6개 적응 과제와 ablation을 분리해 설명한다.robotics