TETHER — SO-100 실로봇 4태스크 Continual Learning (DiT-Flow MT, vs. Experience Replay)

SO-100/SO-101 팔(so_follower)의 4개 조작 태스크를 순차로 학습한 체크포인트입니다. 태스크가 끝날 때마다 저장했으므로, 망각이 어떻게 진행되는지를 체크포인트 단위로 볼 수 있습니다.

제안 방법 TETHER 와 Experience Replay 기준선을 완전히 같은 조건에서 비교합니다.

방법	디렉터리	손실	과거 보존 방식
Experience Replay (기준선)	er/	L_FM(현재) + L_FM(리플레이)	과거 태스크당 5 에피소드를 버퍼에 유지
TETHER (제안)	v4/	L_FM(현재) + λ_a·λ_lvl·L_anchor	과거 태스크의 (state, 시각특징) 코드북에서 합성 샘플을 만들어 teacher 속도장에 맞춤
TETHER + 그리퍼 제외	v4_grip5/	위와 같음	위와 같음. --pose_dims 5 만 다름
TETHER + 차분·그리퍼 제외	v4_diff5/	위와 같음	위와 같음. --pose_dims 5 --speed_mode diff

뒤의 두 런은 아래 "알려진 한계 1" 에서 지적한 버그를 실제로 고쳐 다시 돌린 것입니다. 최종 평균과 망각 모두에서 가장 좋은 것은 v4_diff5/ 입니다 — "ablation" 절을 보세요.

이름에 대하여: TETHER 는 이 방법론의 이름이고, 코드·파일명에는 개발 당시의 내부 이름인 v4(= L2_codebook 계열 4차 버전)가 남아 있습니다. 저장소의 v4/ 디렉터리, task_info.json 의 "method": "v4", policy_code/L2_V4.py, --sampler_mode/ --anchor_weight 플래그가 모두 TETHER 를 가리킵니다. 체크포인트와의 대조를 위해 그대로 두었습니다.

λ_a = 1.0, λ_lvl = 3.0 → 앵커의 실효 계수는 3.0입니다. 앵커는 과거 태스크마다 즉시 backward 하므로 그래디언트는 과거에 대한 합입니다(평균이 아닙니다).

먼저 읽어야 할 것: 이 실험은 원래 LIBERO 설정에서 개발된 방법을 실로봇으로 옮긴 것이고, 옮기는 과정에서 의도치 않게 의미가 바뀐 부분이 있습니다. 아래 "clare 본 실험(LIBERO / LOTUS)에서 바꾼 것" 절과 "알려진 한계 1" 을 결과 표보다 먼저 읽어 주세요.

---

⚠️ 이대로는 stock lerobot 으로 로드되지 않습니다

config.json 의 "type": "ditflow_mt" 는 업스트림 lerobot 에 없는 커스텀 정책입니다. 이 체크포인트는 lerobot 포크(lerobot_lsy)의 DiTFlowMTPolicy 를 전제합니다.

from lerobot.policies.factory import make_policy   # stock lerobot
# ValueError: Policy type 'ditflow_mt' is not available.

해결: 포크를 설치하세요. 참고용으로 policy_code/ 에 소스를 함께 넣어 두었지만, PreTrainedPolicy, Normalize/Unnormalize, AdamConfig 등 lerobot 코어에 의존하므로 단독으로는 동작하지 않습니다.

git clone <포크 저장소>
pip install -e <포크 경로>

policy_code/ 에 들어 있는 것

파일	역할
modeling_dit_flow_mt.py	정책 본체 (DiTFlowMTPolicy, DiTFlowModel)
configuration_dit_flow_mt.py	ditflow_mt 설정 클래스
asdl_data.py	v3.0 데이터 로더 + AsdlMeta — 아래 로드 절에서 필요합니다
cl_train.py	이 체크포인트들을 만든 학습 드라이버
L2_V4.py	TETHER 알고리즘 (코드북·앵커·속도 가중). cl_train.py 가 import 합니다

policy_code/ 의 L2_V4.py · cl_train.py 는 ablation 런까지 반영한 버전입니다. --pose_dims 와 --speed_mode 의 기본값이 원래 상수(6, abs)라, 이 코드 하나로 네 런을 모두 재현할 수 있습니다 — v4/ 는 플래그 없이, v4_grip5/ 는 --pose_dims 5, v4_diff5/ 는 --pose_dims 5 --speed_mode diff 입니다. 각 폴더의 train_config.json 에 실제로 쓴 인자가 전부 들어 있습니다.

⚠️ modeling_dit_flow_mt.py 의 주석은 LIBERO 기준으로 쓰여 있습니다(상태 8차원, 액션 7차원, 1스텝 0.05초). 이 체크포인트는 상태 6 / 액션 6 / 1스텝 1/30초입니다. 코드는 설정에서 차원을 읽으므로 동작에는 문제가 없지만, 주석의 숫자를 그대로 믿으면 안 됩니다.

---

로드

import sys; sys.path.insert(0, "<이 저장소를 받은 경로>/policy_code")
from asdl_data import AsdlMeta                      # policy_code/asdl_data.py
from lerobot.configs.policies import PreTrainedConfig
from lerobot.policies.factory import make_policy

path = "<이 저장소를 받은 경로>/v4_diff5/task_3"   # 4개 태스크를 모두 배운 TETHER (가중 수정본)
# 원본 런을 쓰려면 ".../v4/task_3" — 두 폴더는 구조가 같다

cfg = PreTrainedConfig.from_pretrained(path)
cfg.pretrained_path = path
cfg.device = "cuda"                                 # config.json 에 "cuda" 가 박혀 있습니다
policy = make_policy(cfg=cfg, ds_meta=AsdlMeta("<ASDL 데이터셋 하나의 경로>"))
policy.eval()

ds_meta 는 feature 표를 만들기 위해서만 필요합니다. 정규화 통계는 체크포인트 안에 들어 있어 로드 시 덮어씁니다(정규화 버퍼 텐서 10개 = normalize_inputs 6개 [이미지 mean/std ×2 카메라, 상태 min/max] + normalize_targets 2개 + unnormalize_outputs 2개). 따라서 통계 목적으로 학습 데이터셋이 필요하지는 않습니다.

⚠️ 포크의 LeRobotDataset 은 v2.1 전용인데(CODEBASE_VERSION = "v2.1") 이 데이터셋들은 v3.0 입니다. 그래서 LeRobotDatasetMetadata 로는 메타를 만들 수 없고, 위처럼 policy_code/asdl_data.py 의 AsdlMeta 를 써야 합니다. 다른 v2.1 데이터셋으로 대신하려면 상태·액션이 모두 6차원이어야 feature 표가 맞습니다.

가중치는 자기완결적입니다 — 동결 백본인 DINOv2(86.6M)와 CLIP 텍스트(63.2M)도 safetensors 안에 들어 있습니다(텐서 593개, 193.6M 파라미터). 파일이 774 MB 인 이유입니다.

⚠️ 다만 모듈을 만드는 시점에는 두 레포가 필요합니다. 정책 __init__ 이 CLIPTokenizer.from_pretrained("openai/clip-vit-base-patch32"), CLIPTextModel.from_pretrained(...), AutoModel.from_pretrained("facebook/dinov2-base") 를 호출한 뒤 그 위에 체크포인트 가중치를 덮어쓰는 구조입니다. 특히 토크나이저는 체크포인트에 아예 없습니다. 즉 첫 로드에는 네트워크(또는 채워진 HF_HUB_CACHE)가 필요하고, 한 번 캐시되면 이후에는 HF_HUB_OFFLINE=1 로 돌 수 있습니다. "가중치를 안 받아도 된다"는 뜻이지 "두 레포가 필요 없다"는 뜻이 아닙니다.

---

★ 전처리 규약 — 어긋나면 조용히 성능이 떨어집니다

학습 때와 정확히 같은 전처리를 추론에서도 해야 합니다.

이미지

원본 480×640 → 256×256. 학습 파이프라인이 한 그대로를 옮기면 이렇습니다 (asdl_data.py:187-190):

t = torch.from_numpy(im).permute(2, 0, 1)[None].float() / 255.0      # uint8 RGB -> [0,1]
t = F.interpolate(t, size=(256, 256), mode="bilinear",
                  align_corners=False).clamp(0, 1)                   # antialias 기본값 False
frame = (t[0].permute(1, 2, 0) * 255).round().to(torch.uint8)        # uint8 로 양자화해 캐시
...
img = frame.permute(0, 3, 1, 2).float() / 255.0                      # 로드 시 다시 [0,1]

여기서 틀리기 쉬운 세 가지:

1. 종횡비를 맞추지 않습니다. letterbox 도 crop 도 아니고 480×640 을 그냥 정사각으로 찌그러뜨립니다. (LIBERO 파이프라인의 256 정사각에 DINOv2 연산량을 맞추려고 이렇게 했습니다)
2. antialias=False 입니다. F.interpolate 의 기본값입니다. 다운샘플링인데도 안티에일리어싱을 끈 상태라, torchvision.transforms.Resize(기본 antialias=True), PIL, cv2.INTER_LINEAR 는 모두 다른 픽셀을 냅니다. 추론 코드를 새로 쓰면 거의 확실히 여기서 어긋납니다.
3. uint8 로 한 번 양자화됩니다. 리사이즈는 float 에서 하고 round() 후 uint8 로 캐시한 뒤 다시 /255 합니다. 정확히 재현하려면 이 왕복까지 따라야 합니다.

값은 [0,1] float 로 넣습니다. ImageNet mean/std 정규화는 정책 내부(normalize_inputs)가 합니다. 카메라 키는 두 개: observation.images.top, observation.images.wrist.

관측 / 행동

observation.state  (B, 2, 6)   # [t-1, t] 두 프레임
action             (B, 16, 6)  # 학습 시. 추론은 generate_actions 가 8개를 돌려줌

6차원은 관절 절대 목표 위치입니다 (delta 가 아닙니다):

[shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos]

그리퍼도 관절입니다. 별도의 개폐 채널은 없고, index 5 의 절대 위치가 그대로 집게 벌어짐입니다. 데이터에서 닫힘이 ≈0~3, 열림이 ≈41~54(태스크별 최대값)이고 분포는 이봉형입니다 (carrot 기준 68% 가 10 미만, 5% 가 40 초과, 나머지가 전이 구간). 쥐는 힘은 위치 명령이 아니라 서보의 토크 리밋이 만듭니다 — 물체에 막혀 목표에 못 가면서 파지력이 걸리고, 그래서 데이터의 mean |action − state| 가 그리퍼에서 4.09 로 큽니다.

행동 청크 슬라이싱

predict_action_chunk 는 16스텝을 만든 뒤 [n_obs_steps-1 : n_obs_steps-1+n_action_steps] = index 1..8 을 돌려줍니다. index 0 은 t-1(이미 지난 시점)이므로 버려야 합니다. [0:8] 을 쓰면 로봇이 한 스텝(1/30초) 뒤처집니다.

30 fps 에서 8스텝은 0.27초 분량입니다. num_inference_steps = 100 이므로 청크 하나당 velocity_net 을 100번 적분합니다 — 실시간으로 돌리려면 이 비용이 0.27초 안에 들어가는지 하드웨어에서 먼저 확인하세요. (config.json 을 고쳐 줄일 수 있지만 학습 조건과 달라집니다)

언어 조건

batch["task"] 에 지시문 문자열이 반드시 들어가야 합니다. 정책이 CLIP 으로 인코딩해 조건 벡터의 앞 512차원에 넣습니다. 아래 태스크 표의 문자열을 그대로 쓰세요.

---

태스크 순서와 지시문

학습 순서대로입니다. task_k 체크포인트는 태스크 0..k 를 순차로 배운 모델입니다.

k	데이터셋	지시문
0	asdl-unist/new_aicp_carrot	Pick up the carrot and put it in the basket.
1	asdl-unist/cup_bowl_match	Place the blue cup into the blue bowl. / Place the green cup into the green bowl.
2	asdl-unist/stack_cup	Pick up the left paper cup and stack it onto the right paper cup.
3	asdl-unist/paprika	Pick up the pot, pour the paprika inside into the basket, then place the pot down onto the plate.

task_1 은 데이터셋 하나에 지시문이 2개입니다(파랑/초록). 언어 조건으로 구분되며, TETHER 는 지시문마다 코드북을 따로 만듭니다(합치면 "green 장면 + blue 지시문" 같은 조합이 앵커에서 샘플링됩니다).

er/task_0 과 v4/task_0 은 바이트 단위로 동일한 파일입니다 (md5 77ac6add03e33d69bf78e7ee91556351). 태스크 0 에서는 과거가 없어 리플레이도 앵커도 작동하지 않고, 같은 시드·같은 데이터를 썼기 때문입니다. 검증 시 한 번만 재면 됩니다.

---

학습 설정

• from scratch (사전학습 체크포인트 없음). DINOv2/CLIP 은 동결 사전학습이라 실제 학습 대상은 43.87M 파라미터(velocity_net + 투영)뿐입니다
• 태스크당 10,000 step, batch 32, AdamW lr 1e-4 코사인(태스크마다 리셋), warmup 500
• 태스크당 50 에피소드 중 뒤쪽 5 에피소드(45~49)를 학습에서 제외 → 45 학습 / 5 hold-out
• ER 버퍼는 과거 태스크의 앞쪽 5 에피소드(0~4) — 학습 스플릿 안이라 hold-out 누수는 없습니다. 리플레이 배치도 32
• cond_dim = 2572 = 언어 512 + (상태 6 + 이미지 512×2) × 2프레임
• seed 42, 두 방법 동일
• TETHER (v4/): sampler_mode=hard_linear, anchor_weight=speedinv, kappa=1.0, w_clip=20.0, lambda_level=3.0, 코드북 K = max(8, 2 × demo) (45 demo → K=90, 지시문이 2개인 t1 은 지시문당 ~22 demo → K≈45)
• hold-out 평가: 태스크당 무작위 창 256개, 창 추출 시드 42

---

결과 (hold-out action MSE, 낮을수록 좋음)

로봇이 실제로 실행하는 8스텝의 정규화 공간 MSE 입니다. 롤아웃이 아니라 대리 지표이며, 성공률을 대신하지 못합니다.

전체 행렬 (행 = 태스크 k 까지 배운 뒤, 열 = 평가 태스크)

er/holdout_mse.csv, v4/holdout_mse.csv 와 같은 값입니다.

ER

after	t0 carrot	t1 cup_bowl	t2 stack_cup	t3 paprika
0	0.022227
1	0.023385	0.015514
2	0.024157	0.017834	0.011285
3	0.021806	0.018340	0.015437	0.018610

TETHER

after	t0 carrot	t1 cup_bowl	t2 stack_cup	t3 paprika
0	0.022227
1	0.019451	0.016878
2	0.016782	0.014036	0.011839
3	0.016018	0.012713	0.011902	0.017463

최종 (4개 태스크를 모두 배운 뒤)

	t0	t1	t2	t3	평균
ER	0.02181	0.01834	0.01544	0.01861	0.01855
TETHER	0.01602	0.01271	0.01190	0.01746	0.01452

망각 (배운 직후 대비 증가분, 음수 = 개선)

t3 는 마지막 태스크라 정의상 0 입니다. 평균은 이 0 을 포함한 4태스크 평균이고, 3태스크 평균도 같이 적었습니다 — 어느 쪽으로 읽어도 부호는 바뀌지 않지만 크기가 다릅니다.

	t0	t1	t2	t3	평균 (4개)	평균 (t0~t2)
ER	−0.00042	+0.00283	+0.00415	0	+0.00164	+0.00219
TETHER	−0.00621	−0.00416	+0.00006	0	−0.00258	−0.00343

습득 성능 (대각선) — 여기서는 ER 이 우세합니다

대각선	ER	TETHER
t0	0.02223	0.02223	동일 파일
t1	0.01551	0.01688	ER 8.8% 우세
t2	0.01129	0.01184	ER 4.9% 우세
t3	0.01861	0.01746	TETHER 6.2% 우세

새 태스크를 배우는 능력은 ER 이 t1·t2 에서 앞서고 t3 에서만 TETHER 가 앞섭니다. 즉 TETHER 의 최종 우위는 "새 태스크를 더 잘 배워서"가 아니라 "과거를 유지하면서 배워서" 생긴 것입니다.

---

ablation — POSE_DIMS 를 고치면 (2026-09-14 추가)

한계 1 에서 지적한 두 문제를 각각 고쳐 같은 조건으로 다시 돌렸습니다(시드 42, 태스크당 10,000 step, 나머지 하이퍼파라미터 전부 동일). v4_grip5/ 는 차원만 고쳤고 (--pose_dims 5), v4_diff5/ 는 차원과 의미를 모두 고쳤습니다 (--pose_dims 5 --speed_mode diff).

최종 MSE	t0	t1	t2	t3	평균	망각 평균
ER	0.02181	0.01834	0.01544	0.01861	0.01855	+0.00164
TETHER (v4/)	0.01602	0.01271	0.01190	0.01746	0.01452	−0.00258
+ 그리퍼 제외 (v4_grip5/)	0.01596	0.01261	0.01227	0.01812	0.01474	−0.00242
+ 차분·그리퍼 제외 (v4_diff5/)	0.01519	0.01218	0.01227	0.01767	0.01433	−0.00285

v4_diff5 가 최종 평균과 망각 모두에서 가장 좋습니다. 이득이 전부 과거 태스크에 몰려 있고(t0 −5.2%, t1 −4.2%) 뒤쪽 태스크는 오히려 손해를 봅니다(t2 +3.1%, t3 +1.2%). 가중이 제대로 걸리면서 앵커가 세지고 그만큼 새 태스크 학습이 눌린, 전형적인 안정성-가소성 트레이드오프입니다.

v4_grip5 는 원본보다 오히려 나빴습니다(+1.5%). 그리퍼만 빼서는 rho 가 여전히 관절 절대 위치라 속도 의미가 돌아오지 않기 때문입니다(한계 1 의 실측표). 차원 수정만으로는 해결되지 않는다는 것을 학습 결과로도 보여줍니다.

⚠️ 시드 하나짜리입니다. 세 런이 같은 시드라 차이의 원인이 코드 변경인 것은 맞지만, 시드 간 분산을 모르므로 평균 순위(특히 v4_grip5 의 +1.5%)는 뒤집힐 수 있습니다. 반면 v4_diff5 의 "과거 개선 / 현재 악화" 패턴은 t1·t2·t3 모든 시점에서 일관됐고 한계 1 의 가중 분포 측정과도 맞아떨어지므로, 평균값보다 신뢰할 만합니다.

네 런의 task_0 은 모두 바이트 단위로 동일합니다 (md5 77ac6add03e33d69bf78e7ee91556351). 태스크 0 에서는 리플레이도 앵커도 작동하지 않기 때문입니다.

각 폴더에 holdout_mse.csv, holdout_report.txt, train_config.json(실제로 쓴 인자 전체)을 같이 넣어 두었습니다.

clare 본 실험(LIBERO / LOTUS)에서 바꾼 것

이 run 은 L2_V4.py 의 알고리즘을 그대로 쓰면서 데이터와 드라이버만 실로봇으로 바꾼 것입니다. 바꾼 것과 바꾸지 않아서 의미가 달라진 것을 나눠서 적습니다.

의도적으로 바꾼 것

	clare 본 실험 (LIBERO / LOTUS)	이 실로봇 run
액션	7차원 EEF delta + 그리퍼	6차원 관절 절대 위치 (그리퍼 포함)
상태	8차원	6차원
cond_dim	2576	2572
제어 주기	20 fps (1스텝 0.05s)	30 fps (1스텝 0.033s), 청크 8스텝 = 0.27s
사전학습	LOTUS base phase	없음 (from scratch)
태스크 수	10	4
데이터 포맷	LeRobot v2.1	v3.0 + 커스텀 로더 (asdl_data.py)
평가	시뮬레이터 롤아웃 성공률	hold-out action MSE (대리 지표, 롤아웃 불가)
seed	1000	42
드라이버	L2_V4.py (LIBERO)	cl_train.py (실로봇)

바꾸지 않아서 의미가 달라진 것 ← 중요

L2_V4.py:482 의 POSE_DIMS = 6 을 그대로 뒀습니다. LIBERO 액션 규약 ([x,y,z,roll,pitch,yaw,gripper] → 0..5 pose, 6 gripper)을 전제한 상수입니다. 이 데이터는 6차원이고 그리퍼가 index 5 라서, [..., :POSE_DIMS] 가 6차원 전체를 덮습니다. 결과는 아래 한계 1에 자세히 적었습니다. ER 은 앵커를 쓰지 않으므로 영향이 없습니다.

---

알려진 한계

1. speedinv 가중이 이 데이터에서 속도 의미를 잃었습니다 (TETHER 만 해당)

TETHER 의 두 변경 중 하나인 속도 역제곱 가중은 speed_weights(L2_V4.py:508)가 계산합니다.

rho = (v_ref + eps_noise)[..., :POSE_DIMS].norm(dim=-1)   # "pose 성분의 스텝 속도"
w   = 1.0 / (rho.pow(2) + c)                              # c = kappa x speed_med2
w   = torch.minimum(w, w.median() * w_clip)               # 위로만 자른다
w   = w / w.mean()                                        # 배치 평균 1

v_ref + eps_noise 는 de-noised 프레임이라 rho ≈ ‖â[..., :POSE_DIMS]‖ — de-noised 액션 벡터의 크기입니다. LIBERO 에서는 â 가 EEF delta 라 이 값이 정의상 스텝 변위, 즉 진짜 "속도"입니다. 이 데이터의 â 는 관절 절대 위치라서 rho 는 "관절 범위 중심으로부터의 거리"가 되고, 속도와는 다른 양입니다.

4태스크 전체에서 정규화 공간으로 실측한 결과입니다 (kappa=1, w_clip=20):

태스크	rho 중앙값	c	w̃ p10	w̃ p90	w_clip 발동	corr(rho, 실제 스텝 속도)	rho² 중 그리퍼 비중
new_aicp_carrot	1.324	1.754	0.73	1.30	0.0%	−0.464	28%
cup_bowl_match	1.305	1.704	0.71	1.44	0.0%	−0.368	28%
stack_cup	1.259	1.585	0.73	1.35	0.0%	−0.425	29%
paprika	1.329	1.766	0.75	1.27	0.0%	−0.401	33%

읽는 법:

• 상관이 음수입니다 (−0.37 ~ −0.46). rho 가 작을 때가 오히려 빠른 구간입니다. w = 1/(rho²+c) 는 rho 가 작은 곳에 큰 가중을 주므로, 설계 의도("느린·정밀 구간을 강조")와 반대로 빠른 구간을 강조했습니다.
• 다만 강도는 약합니다. w̃ 의 p10–p90 이 0.73–1.30, 즉 ±30% 수준의 재가중이고 w_clip 은 한 번도 발동하지 않았습니다(0.0%). mean(w̃)=1 로 정규화되므로 전체 손실 스케일은 무가중 MSE 와 같습니다.
• 그리퍼도 가중에 들어갔습니다. POSE_DIMS=6 이 6차원 전체를 덮어 그리퍼(index 5)가 rho² 의 약 30% 를 차지합니다. 덤으로 weighted_sq 의 무가중 항 resid[..., POSE_DIMS:] 는 빈 슬라이스가 되어 정확히 0 입니다 — 원래 설계는 그리퍼를 무가중으로 따로 더하는 것이었습니다.

해석상 무엇이 달라지는가: 위 결과에서 TETHER 가 ER 을 이긴 것을 "속도 가중의 효과"로 읽으면 안 됩니다. 가중이 약하고(±30%) 방향도 의도와 반대이므로, 남는 유효 요소는 코드북 앵커 자체와 hard_linear 샘플러입니다.

고쳐서 실측했습니다 (2026-09-14 추가. 4태스크 평균, 학습 스플릿 전체, 정규화 공간):

rho 정의	w p10	w p90	실효 범위	w_clip 발동	corr(rho, 실제 스텝 속도)
‖a[0:6]‖ — 이 저장소의 v4/	0.73	1.33	1.8배	0.0%	−0.438
‖a[0:5]‖ — v4_grip5/	0.69	1.42	2.1배	0.0%	−0.431
‖Δa[0:5]‖ — v4_diff5/	0.14	1.84	13배	0.0%	1.000

• 그리퍼를 빼도 상관은 음수 그대로입니다 (−0.438 → −0.431). POSE_DIMS 를 5 로 고치는 것은 위 두 번째 항목(차원)만 고칠 뿐, rho 가 절대 위치라는 의미 문제는 건드리지 못합니다. 가중 폭도 1.8배 → 2.1배로 사실상 그대로입니다.
• 차분으로 바꾸면 가중이 비로소 실제로 작동합니다. 실효 범위가 1.8배에서 13배로 벌어집니다. corr = 1.000 은 rho 를 스텝 속도로 정의했으므로 동어반복이며, 증거가 되는 것은 상관값이 아니라 분포가 벌어졌다는 사실입니다.
• w_clip = 20.0 은 네 설정 전부에서 발동률 0.0% 입니다. 차분으로 분포가 13배로 벌어진 뒤에도 그렇습니다. 사실상 죽은 하이퍼파라미터이니, 튜닝 대상에서 빼거나 훨씬 낮춰야 의미가 생깁니다.

고친 런의 성능은 위 "ablation" 절에 있습니다. 요약하면 차분까지 고친 v4_diff5/ 가 최종 평균(0.01433)과 망각(−0.00285) 모두에서 가장 좋고, 그리퍼만 뺀 v4_grip5/ 는 원본보다 나빴습니다(0.01474). 다만 --anchor_weight mse 대조군이 없어 앵커·샘플러·가중 셋을 완전히 분리하지는 못합니다(한계 4).

뒤집어 보면, 설계 의도와 어긋난 가중을 안고도 TETHER 가 망각에서 ER 을 앞섰습니다.

2. 대리 지표입니다

hold-out action MSE 22% 개선이 실로봇 성공률에서 얼마나 나타날지는 별개이며, 뒤집힐 수도 있습니다. 롤아웃을 돌리지 않았습니다.

3. 태스크 4개는 CL 시퀀스로 짧습니다

망각이 본격적으로 드러나기 전 구간일 수 있습니다.

4. 기준선과 ablation 이 부족합니다

• seq-FT 기준선 없음: 아무 대책 없는 순차 학습과 비교하지 않았으므로, 두 방법이 "얼마나" 도움이 됐는지는 알 수 없습니다.
• 가중 ablation 은 추가했습니다 — v4_grip5/, v4_diff5/ (위 "ablation" 절). 다만 --anchor_weight mse(가중을 아예 제거)와 --sampler_mode soft_kernel(v3 샘플러) 대조군은 여전히 없어, TETHER 의 이득이 앵커·샘플러·가중 중 무엇에서 왔는지 완전히 분리하지는 못합니다.
• 시드가 하나입니다: ablation 의 1~2% 차이를 수치로 주장하려면 시드를 더 돌려야 합니다. 지금 신뢰할 수 있는 것은 차이의 크기가 아니라 방향(패턴)입니다.

데이터

asdl-unist/new_aicp_carrot, cup_bowl_match, stack_cup, paprika (LeRobot v3.0 포맷, 각 50 에피소드, 30 fps, 480×640 카메라 2대)

태스크	에피소드	프레임
new_aicp_carrot	50	14,137
cup_bowl_match	50	11,112
stack_cup	50	12,660
paprika	50	18,825