fix: ACT·Mobile ALOHA 메타데이터 수정

[jih0-kim]

변경 내용

공통: communication ros2 → ros1

두 레포 모두 ROS2가 아니라 ROS1 Noetic을 씁니다.

• Mobile ALOHA(MarkFzp/mobile-aloha)
  • README: "✅ Ubuntu 18.04/20.04 + ROS 1 noetic", "🚧 ROS 2"
  • 설치 단계 source /opt/ros/noetic/setup.sh
  • aloha_scripts/robot_utils.py의 import rospy
• ACT(tonyzhaozh/act)
  • 레포 자체에는 rospkg 의존성만 있습니다.
  • 실제 로봇 실행(imitate_episodes.py 182~184행)은 ALOHA 레포의 aloha_scripts.real_env를 씁니다.
  • ALOHA 레포(tonyzhaozh/aloha)도 README가 "ROS 1 noetic"이고, robot_utils.py가 import rospy를 씁니다.

ACT

• org: Stanford → Stanford / UC Berkeley / Meta (arXiv 2304.13705 저자 소속: Vikash Kumar는 Meta, Sergey Levine은 UC Berkeley)
• framework: mujoco 추가. 시뮬레이션 환경 sim_env.py, ee_sim_env.py가 MuJoCo(dm_control) 기반입니다.
• categories: dexterous 삭제. ALOHA는 다지 손이 아닌 평행 그리퍼이고, 논문 표현도 "fine-grained manipulation"입니다.
• 설명: action chunking(누적 오차 감소)과 temporal ensembling 중심으로 다시 썼습니다.
• tags: action-chunking, temporal-ensembling, ALOHA

Mobile ALOHA

• 설명: 기존 설명에 빠져 있던 핵심 발견을 넣었습니다. 이전에 고정형 ALOHA로 수집한 다른 태스크 데이터와 함께 학습(co-training)하면 모바일 태스크의 성공률이 크게 오른다는 내용입니다(abstract: "co-training with existing static ALOHA datasets boosts performance on mobile manipulation tasks").
• tags: mobile-manipulation, whole-body-teleoperation

검증

• validate_data.py 통과(모델 16, 데이터셋 11, 툴 11)
• models.yaml의 변경은 두 항목에만 있습니다.
• README·docs는 머지 후 build-site.yml이 다시 생성합니다.

[github-actions]

@jih0-kim

LLM Metadata Validation

• Status: completed
• Pass: 2
• Warning: 0
• Fail: 0

Entry	Type	Verdict	Tag score	Summary score	Specificity	Notes
act	model	pass	1.00	1.00	1.00	reason: 제출된 태그와 요약문의 모든 주장이 제공된 근거 자료에 의해 명확히 뒷받침되며, 요약문은 ACT의 핵심 기여(액션 청킹, CVAE 트랜스포머, 시간적 앙상블을 통한 누적 오차 감소 및 동작 부드럽게 하기, 소량의 시연으로 정밀 조작 학습)를 구체적으로 설명하고 있습니다.
mobile-aloha	model	pass	1.00	1.00	1.00	reason: 제출된 태그와 요약문 내용이 모두 제공된 근거에 의해 정확하게 뒷받침되며, 요약문은 Mobile ALOHA의 핵심 기여인 저가형 전신 원격조작 시스템과 정적 ALOHA 데이터와의 공동 학습 전략을 명확하게 설명하고 있습니다.

[github-actions]

@jih0-kim

LLM Metadata Validation

• Status: completed
• Pass: 2
• Warning: 1
• Fail: 0

Entry	Type	Verdict	Tag score	Summary score	Specificity	Notes
act	model	pass	1.00	1.00	1.00	reason: 제출된 모든 태그와 요약문 주장이 제공된 근거에 의해 뒷받침됩니다. 요약문은 ACT의 핵심 기여인 CVAE 학습 트랜스포머 기반의 액션 청킹과 temporal ensembling을 명확하게 설명하며, 단일 스텝 정책의 누적 오차 감소 및 부드러운 동작 구현이라는 목표를 구체적으로 제시합니다. 또한, ALOHA 시스템과의 연관성 및 50개 시연으로 정밀한 양팔 조작을 학습한다는 점도 잘 드러나 있습니다.
mobile-aloha	model	pass	1.00	1.00	1.00	reason: 제출된 태그와 요약문 내용이 모두 제공된 근거에 의해 정확하게 뒷받침되며, 요약문은 Mobile ALOHA의 핵심 기여인 저가형 전신 원격조작 시스템과 정적 ALOHA 데이터와의 공동 학습 전략을 명확하게 설명하고 있습니다.
groot	model	warning	1.00	0.83	0.90	reason: 제출된 요약문은 GR00T N1의 이중 시스템 아키텍처, 데이터 피라미드 학습 전략, 행동 라벨 없는 비디오 처리 방식 등 핵심 기여를 구체적으로 잘 설명하고 있습니다. 그러나 요약문에서 언급된 VLM 백본 'Eagle-2'는 N1.7 버전에서 'Cosmos-Reason2-2B (Qwen3-VL)'로 교체되었으므로, 해당 정보가 최신 버전과 일치하지 않아 'warning'으로 판정합니다. / 수정 필요 문구: an Eagle-2 VLM (System 2) interprets vision and language, Eagle-2 VLM(System 2)이 시각·언어로 상황을 해석하고