Base 높이 A/B

← 목록

TL;DR

0.30

pick 단일 범위

0.40

pick 링

0.51

pick 링 + 높이

3/38

open 높이

API 비용

pick: 높이 맞춤이 링 위에 +11%p. 짝 비교 25 대 12, sign test p = 0.047.
open: 0 → 3/38. 높이만으로는 해결되지 않음 — 정책 한계 가능성.

1배경/목적

MolmoBot 학습 데이터는 base z를 대상에 맞춰 둔다(pick: 물체 z − 0.75 m, open: 서랍 leaf z − 1.0 m). 하네스는 항상 z = 0이었다. 영상에서 open 시 팔이 서랍장 윗면으로 가는 것을 보고, 높이 불일치를 원인 후보로 잡았다.

2작업 내용

RRBENCH_BASE_HEIGHT=1 (기본 0) 빈손 + free-joint 물체 → base z = 물체 z − 0.75 관절 가구 → base z = leaf z − 1.0 그 외 → 0, 운반 중 → z 유지 pick probe : arm1 링 (기존) vs arm2 링 + 높이 (jobs 200348/200349) open probe : v2arm0 기본 / v2arm1 높이 / v2arm2 높이 + leaf 접근 (jobs 200345–200347)

3결과

pick (115짝)

arm	Finding	Restore	합계
0 단일 범위	15/59	20/56	35 (0.30)
1 링	21/59	25/56	46 (0.40)
2 링 + 높이	29/59	30/56	59 (0.51)

물체 높이	링	링 + 높이
0.3–0.6 m	4/28 (0.14)	8/28 (0.29)
0.6–0.9 m	30/63 (0.48)	34/63 (0.54)
≥ 0.9 m	12/24 (0.50)	17/24 (0.71)

도착 거리 분포는 두 arm이 동일(중앙값 0.44 m) — 차이는 높이에서만 온다.

open (38셀, nav 모두 성공)

arm	실질 성공	vacuous	base z 중앙값
기본	0	1	0
높이	3	1	−0.70
높이 + leaf	1	1	−0.43

성공 4건 모두 chestofdrawers, 그리퍼를 쥐지 않고 밀어서 열림. 대상은 chestofdrawers 22 / desk 6 / stand 5 / shelf 5인데, 학습 open 데이터는 chestofdrawers뿐이다.

4Takeaway

pick: 높이 맞춤은 링 도입 전 대비 +21%p(0.30→0.51)로 가장 큰 단일 개선이다.

open: 높이는 조금 도움이 되지만 근본 해결은 아니다. GT execute에서 open이 필요한 셀은 정책 한계로 분리해 해석해야 한다.

5Next

RRBENCH_BASE_HEIGHT를 v2 기본값으로 켤지 결정 → docs/테스트 갱신
GT execute 파일럿(유료, 승인 필요)

Base 높이를 학습 규칙에 맞추기 — pick/open A/B