LeRobot — 데이터셋 포맷이 왜 프레임워크보다 오래 사는가
허깅페이스의 로보틱스 스택. 사전학습 정책·데이터셋·시뮬 환경을 표준 데이터셋 포맷(LeRobotDataset)을 중심으로 묶어, 텔레오퍼레이션 수집 → 학습 → 재생 루프를 한 저장소에서 돌립니다. 더 넓은 스택(ROS 2 / LeRobot / MuJoCo-MJX / openpi / Isaac Lab)에 놓으면, 실제 기여는 모델이 아니라 포맷입니다.
이 페이지는 카드에 적힌 내용을 펼쳐 보여줄 뿐입니다 — 돌아가는 코드도, 열어볼 데모도 아직 없습니다. 무엇을 왜 만들려는지가 아래에 있습니다.
구현이 아니라 로보틱스 학습 진입의 순서 결정입니다. 프레임워크를 고르기 전에 데이터가 얼마나 있는지 세세요: 관심 태스크의 공개 LeRobotDataset 개수와 에피소드 길이 분포는? 데이터가 있는 태스크는 없는 것보다 약 열 배 쉬우므로, 그 개수가 태스크 선택을 이끌어야 합니다 — 반대가 아니라. 실기기가 없으면 시뮬(MuJoCo/MJX)로 데이터를 만드는 데서 시작하세요; LeRobot은 데이터가 생긴 다음에야 값어치가 납니다. 순서를 뒤집으면 — 도구 먼저, 데이터 나중 — 도구만 만지다 아무것도 학습 못 하고 끝납니다. 현행 LeRobot API·데이터셋 스펙은 허깅페이스 문서로 확인하세요.
기술 노트
각 항목이 실제로 무엇을 보여주고 어떻게 동작하는지 — 위 카드보다 자세한 기술 설명입니다.
목적: 어린 도구 스택에서 하중을 견디는 선택은 좀처럼 도구가 아닙니다. 로보틱스 학습 프레임워크는 2~3년 주기로 갈립니다 — 모델 구조, 학습 하네스, 시뮬 백엔드 모두 교체됩니다 — 그러나 모은 데이터는 그렇지 않습니다. 그래서 계속 값을 주는 결정은 '무엇으로 학습하나'가 아니라 '어떤 포맷으로 모으나'이고, 스택에서 LeRobot의 실제 기여가 바로 그것입니다: 위에 지어진 프레임워크보다 오래 사는 표준 데이터셋 포맷. 이는 진입 방식을 다시 짭니다. 본능은 최신 프레임워크를 고르는 것이지만, 더 나은 수는 데이터를 따라가는 것입니다. 풍부한 공개 LeRobotDataset이 있는 태스크는 똑같이 흥미롭지만 데이터가 없는 태스크보다 한 자릿수 더 다루기 쉽습니다 — 로보틱스의 비싼 부분은 모델이 아니라 시연이기 때문입니다. 그래서 진입 순서는 데이터 우선입니다: 데이터셋 지형을 확인하고, 그것이 태스크를 고르게 하고, 실기기가 없으면 시뮬로 더 만들고, 그다음에야 어느 프레임워크가 감싸는지를 신경 쓰세요. 스택 전체를 지도화한 카드(robotics-entry-decision)는 '어느 길로 들어가나'에 답하고, 이 카드는 '들어간 뒤 실제로 남는 게 무엇인가'에 답합니다.
동작 방식: ### 갈리는 것 vs 남는 것 | 레이어 | 반감기 | 초기에 소유? | |---|---|---| | 모델 구조 | ~1~2년 | 아니오 — 교체됨 | | 학습 프레임워크 | ~2~3년 | 아니오 — 교체됨 | | 시뮬 백엔드(MuJoCo/MJX, Isaac) | ~3~5년 | 다소 | | **데이터셋(LeRobotDataset)** | **가장 긺** | **예 — 이게 지속 자산** | ### 데이터 우선 진입 순서 1. **데이터를 세라** — 태스크의 공개 LeRobotDataset과 에피소드 길이 분포. 2. **데이터가 태스크를 고르게** — 데이터 있는 태스크가 ~10배 다루기 쉬움. 3. **실기기 없으면 시뮬 먼저**(MuJoCo/MJX)로 시연 생성. 4. **그다음** 감싸는 프레임워크 선택 — 처음이 아니라 마지막. ### 함정 도구 우선 진입은 예산을 도구에 쓰고 아무것도 학습 못 합니다. LeRobot은 데이터가 생긴 다음 값을 주므로, 데이터보다 앞세우면 가치가 뒤집힙니다.