1. 개요가. 정의VLA(Vision-Language-Action) 모델은 카메라 등의 시각정보(Vision)와 사용자의 자연어 지시(Language), 필요 시 Robot의 Joint·Pose 등 상태정보(Proprioception)를 함께 입력받아 Robot이 수행해야 할 행동(Action)을 직접 생성하는 Multimodal Robot Policy Model이다.기존 VLM(Vision-Language Model)이 이미지와 언어를 이해하여 Text를 생성한다면, VLA는 그 출력공간을 Motor Command·Joint Position·End-effector Pose·Gripper Action 등 Physical Action으로 확장한다.VLM = Vision + Language → Text / ..