전날(260827) 분석에서 run1(54k step, batch 96, constant_with_warmup lr 5e-5)의 action loss가
20k~50k 구간 30k step 동안 −17%밖에 줄지 않아 정체 양상을 보였고, ckpt별 open-loop 정밀도도 42k step
이후 평평했다(2.18→2.30cm, 측정 노이즈 범위). 동시에 학습 레시피가 X-WAM(batch 32, lr 1e-5, cosine→0)·
τ₀ 논문(batch 384) 어느 쪽과도 달랐다 — 특히 lr decay가 아예 없었던 점과 배치가
τ₀ 레시피의 1/4이었던 점이 겹쳤다.
이 두 가설(annealing 부재, 배치 부족)을 검증하기 위해 batch 384 + cosine schedule로 15k step
재학습(job 97294, sub_folder run2_cos384)을 전날 제출했고, 당시 카드(260827-robotwin_run2_recipe.html)에는
"현재 RUNNING 1153/15000 step"까지만 기록됐다. 오늘 이 학습이 완주되어 최종 결과가 나왔다.
run2 학습이 완주된 뒤, run1과 동일한 방법론(tmp/ckpt_precision.py, 동일 학습 클립 n=140,
동일 open-loop 오차 측정)으로 체크포인트별 정밀도를 재측정해 직접 비교했다.
| 체크포인트 | 설정 | pos mean | step32 | rot | grip |
|---|---|---|---|---|---|
| run1 step_54000 | batch 96, 감쇠 없음, 54k 업데이트 | 2.26 cm | 3.46 | 4.6° | 0.024 |
| run2 step_13500 | batch 384, cosine, 13.5k 업데이트 | 2.58 cm | 3.70 | 4.8° | 0.027 |
| run2 step_15000 | batch 384, cosine(lr→0), 15k 업데이트 | 2.63 cm | 3.95 | 5.2° | 0.030 |
하이퍼파라미터(batch size, lr schedule)는 τ₀-WM RoboTwin 갭의 원인이 아니라는 것이 실험으로 확정됐다. batch 4배 + cosine annealing이라는, 통상 안정적 수렴에 유리하다고 여겨지는 조합이 오히려 정밀도를 16% 악화시켰다는 것은 레시피 튜닝으로 벌 수 있는 여지가 거의 없다는 뜻이다. 같은 샘플 예산이라면 작은 배치로 많이 업데이트하는 쪽이 이겼다는 사실도 확인됐다(동일 업데이트 수에서는 큰 배치가 유리했지만, 예산이 총 업데이트 수로 소진되면서 역전).
결과적으로 260827 진단(하네스·환경 무결, τ₀ 학습-씬 SR 34.8%, open-loop 오차 전 구간 1.4~2.3배 열세)에서 남겨뒀던 "레시피 문제일 수도 있다"는 마지막 가능성이 제거되면서, 갭의 원인은 구조적 요인 (action 표현·해상도·TTC)으로 좁혀졌다.
레시피(lr, batch, schedule) ablation은 소진됐다. 남은 후보 중 어느 것이 실제로 기여하는지는 아직 분리 측정되지 않았다 — action 표현 변경(chunk-relative 20ch → per-step delta 14ch)은 X-WAM과 가장 큰 구조적 차이지만 아직 미착수.
1) action 표현 변경: chunk-relative 20ch → per-step delta 14ch로 재학습, exec=8 receding-horizon도 이 표현에서 재시도(260827 A/B에서는 chunk-relative가 재계획과 궁합이 나빠 SR 37%→12%로 악화했었음). 2) 해상도 192×256 → 256×320 (X-WAM과 동일 픽셀 수). 3) TTC(τ₀ 본 주장) — 현재 레시피/데이터 문제가 해소된 baseline 위에서 검증 시 신호가 더 명확할 것으로 기대. GPU 배분: run2의 50-task 최종 SR 평가는 정밀도가 더 나쁘므로 보류하고, run1의 남은 263 unit 완주를 우선해 baseline 수치를 먼저 확정한다.