연구진은 Vision-Language-Action(VLA) 모델의 액션 표현이 사전 학습된 의미론적 구조를 잃어버리는 현상을 확인했어요. 로봇 데모 데이터로 미세 조정하는 과정에서 액션 표현이 손상되고 일반화 성능이 저하되는 문제점을 발견했죠.
액션 표현의 품질이 성공적인 작업 수행과 환경 변화에 대한 일반화 능력과 연관됨을 확인하고, 사전 학습된 의미론적 구조를 유지하는 방법론을 제시했어요.
의미론적 구조를 보존하는 플러그 앤 플레이 방식의 방법론을 도입하여 시뮬레이션 및 실제 환경 벤치마크에서 최대 21.5%의 성능 향상을 달성했어요.