Amazon SageMaker AI와 AWS IoT Greengrass를 활용한 Physical AI 학습 파이프라인 구축하기

핵심 요약

AWS가 VLA와 RL 트랙으로 구성된 Physical AI 학습 파이프라인 구축 방법과 엣지 배포까지 포괄하는 워크숍형 기술 블로그를 소개합니다.

구현 방법

• VLA 트랙: GR00T N1.x를 SO-101 팔 데이터셋으로 미세조정하고 SageMaker Pipelines로 학습, 체크포인트를 S3에 저장하며 MLflow를 통한 실험 추적/모델 레지스트리에 등록합니다. 이후 워크스테이션에서 시뮬레이션 검증 및 AWS IoT Greengrass를 통한 엣지 배포를 수행합니다.
• RL 트랙: PPO로 Isaac Lab 및 MuJoCo에서 정책을 학습하고, SageMaker HyperPod 클러스터를 활용해 수일~수주 간 실험을 반복 수행합니다. 체크포인트는 FSx와 S3에 저장하고 Slurm/EKS로 운영합니다.
• 인프라/운영: 컨테이너 이미지를 CodeBuild로 빌드해 ECR에 저장하고, 공통 워크스테이션과 시뮬레이션 환경을 VPC로 연결합니다. 학습 데이터/체크포인트는 S3를 중심으로 관리하며, 엣지 배포는 Greengrass 컴포넌트로 자동화합니다. TensorRT 최적화로 엣지 추론 지연을 줄이고 DiT head 엔진을 활용합니다.

주요 결과

• 엣지 추론 지연 개선: GR00T N1.6에서 DiT head TensorRT 최적화로 L40S에서 126ms → 60ms, 약 2.1배 개선; Thor에서 156.3ms → 124.4ms, 약 1.26배 개선.
• RL 학습 확장성: Isaac Lab에서 2,048개 환경으로 72,000 타임스텝 학습 가능, 약 50분 소요, GPU 메모리 약 5GB 사용. 하이브리드 Slurm/EKS 기반 HyperPod으로 수일~수주 수준의 실험 유지 가능.