LeRobot·ClearML·Dell 협업으로 구현한 로보틱스 MLOps 파이프라인 PoC 요약

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

물리적 로봇용 모델은 teleoperation으로 수집한 멀티모달 에피소드와 하드웨어 검증이라는 제약 때문에 수동 파이프라인이 느리고 재현이 어려웠다. 이 PoC는 LeRobot으로 teleoperated 시연을 LeRobot Dataset v3 포맷으로 구조화하고 ClearML을 제어 평면으로 삼아 작업 큐잉·실험 로그·데이터 계보를 자동화하며 Dell의 PowerEdge·Pro Max·PowerScale 인프라에서 학습과 추론을 수행하는 방식으로 수작업 중심의 흐름을 통합했다. 결과적으로 데이터 생성 이후 단계가 하나의 자동화 루프가 되어 반복 실험의 재현성과 감사 추적이 확보되었고 온프레미스 배포로 민감 데이터 보호가 가능했다. 상세한 아키텍처와 단계별 워크플로우는 본문이 인용한 whitepaper에 수록되어 있다.

섹션별 상세

물리적 로봇을 위한 모델 학습은 teleoperation으로 수집한 에피소드와 고해상도 비디오·센서 로그를 결합한 멀티모달 데이터가 필요하여 소프트웨어 전용 학습보다 제약이 많다. 입력으로 사람이 로봇 팔을 원격 조작하여 에피소드를 생성하고 처리 과정에서 이 데이터를 구조화해 모델 학습용 데이터셋으로 변환하며 출력으로 하드웨어 검증이 필수적이다. 원문은 이러한 수동 루프가 느리고 재현이 어려워 운영 확장이 어렵다고 지적했으며 싱가포르 정부 기관과의 PoC를 통해 자동화 필요성이 제기되었다. 물리적 검증과 데이터 파이프라인 자동화는 로봇용 정책 개발 속도와 재현성을 동시에 개선한다는 점에서 중요하다.

LeRobot은 Hugging Face에서 공개한 로보틱스 프레임워크로서, 이 PoC에서 SO-ARM101 로봇 팔과의 인터페이스 역할을 수행했다. 원격 조작으로 생성된 시연을 LeRobot Dataset v3 포맷으로 구조화하고, 모델 추론을 수행한 뒤 해당 출력을 로봇의 동작 명령으로 변환하는 입출력 흐름을 관리했다. GitHub 리포지토리 링크가 원문에 포함되어 있어 코드·형식 규약과 인터페이스를 확인할 수 있다는 근거가 존재한다. 센서·비디오 기반의 멀티모달 에피소드를 표준화된 포맷으로 정리하면 데이터 재사용성과 학습 파이프라인 연결이 용이해진다.

근거

PoC에서 LeRobot은 teleoperation으로 수집된 시연을 LeRobot Dataset v3 포맷으로 구조화하고 모델 추론 결과를 로봇 동작으로 변환하는 인터페이스 역할을 수행했다. — LeRobot for the robot interface 섹션 출처

ClearML은 파이프라인의 제어 평면으로서 데이터 수집 이후의 모든 작업을 자동으로 큐잉하고 원격 Dell GPU 노드로 작업을 디스패치했으며 각 실험의 하이퍼파라미터와 로그를 자동 버전 관리했다. 에이전트가 클러스터와 엣지 장치에서 태스크를 가져와 공유 스토리지 상에서 실행하고 모든 활동을 서버에 로깅하여 감사 추적과 계보 관리를 가능하게 하는 처리 과정을 제공했다. 원문은 ClearML 인프라 제어 평면 링크를 참조하며 동일한 방식이 다른 컴퓨팅 환경에도 적용된다고 명시했다. 중앙 제어와 자동화는 반복 실험의 비교 가능성과 운영 효율을 크게 향상시킨다.

Dell은 PowerEdge 서버와 Pro Max 워크스테이션(내부적으로 NVIDIA GPU 포함), 그리고 PowerScale 확장 스토리지를 통해 수테라바이트급 멀티모달 데이터와 모델 체크포인트를 저장하고 학습·추론을 수행할 수 있는 물리적 기반을 제공했다. 이 PoC는 온프레미스 보안 환경에서 실행되어 민감한 데이터와 모델 가중치를 보호하는 배포 방식을 사용했다는 근거가 본문에 명시되어 있다. 수동 워크플로우에서는 엔지니어가 SSH로 접속해 스크립트 복사와 수동 전송을 반복했으나, ClearML을 도입한 이후에는 데이터 생성 이후 단계가 하나의 자동화 파이프라인으로 통합되어 운영 부담과 재현성 문제가 완화되었다. 온프레미스 하드웨어와 자동화의 결합은 데이터 보안과 운영 일관성을 유지하면서도 반복적 학습 사이클을 단축하는 실무적 이점을 제공한다.

용어 해설

Teleoperation: — 사람이 원격으로 로봇을 조작하여 작업 수행을 기록하는 방식으로, 입력으로 수동 조작을 받고 출력으로 동작 에피소드와 센서 로그를 생성하여 실제 환경에서의 행동 데이터를 확보한다. 로봇 행동 복제와 정책 학습에서 인간의 관찰 시연을 데이터화하는 핵심 절차이며 안전성 검증과 데이터 품질 확보에 중요한 역할을 한다.
Imitation Learning: — 사람이나 전문가의 시연을 모델이 모방하도록 학습시키는 방법으로 입력으로 시연 에피소드(관찰값·행동)를 받아 정책을 학습하고 출력으로 인간과 유사한 행동을 생성한다. 로봇 제어에서 teleoperation으로 수집된 에피소드를 바로 학습 신호로 활용할 수 있어 데이터 수집과 모델 학습 루프를 단축한다.
Dataset Lineage: — 데이터가 생성되고 가공되어 모델 학습에 이르기까지의 모든 변환과 버전 이력을 추적하는 체계로, 입력 파일·메타데이터·전처리 파이프라인·파생 데이터의 관계를 기록하여 재현성과 책임 추적을 가능하게 한다. 로보틱스처럼 멀티테라바이트 멀티모달 데이터가 생기는 환경에서 실험 비교와 규정 준수를 위해 필수적이다.

근거 모음

근거

싱가포르 정부 기관과의 PoC에서 ClearML, Dell Technologies, Hugging Face의 LeRobot 프레임워크가 수작업 중심의 로봇 학습 파이프라인을 자동화된 파이프라인으로 전환했다. — 도입부 문단 및 whitepaper 링크 출처

언급된 리소스

문서Robotics MLOps Pipeline whitepaper

GitHubLeRobot GitHub

LeRobot·ClearML·Dell 협업으로 구현한 로보틱스 MLOps 파이프라인 PoC 요약

TL;DR

섹션별 상세

용어 해설

근거 모음

언급된 리소스

관련 토론

댓글

관련 기사

운행 중 수집된 실패 데이터를 활용해 로보택시 인지 모델을 운영 중단 없이 재학습하는 방법

Evidently와 MLflow를 활용한 Amazon SageMaker AI 기반 모델 모니터링 아키텍처

EVA-Client 실제 로봇 배포·평가·데이터 수집을 위한 통합 프레임워크

AI 에이전트의 프로덕션 배포를 위한 MLOps 전략과 Kitaru