작업 성과를 포함한 방해 주입 강인 모방 학습

방해 주입을 이용한 강인 모방 학습은 시연의 제한된 변동성 문제를 극복합니다. 그러나 이러한 방법은 시연이 최적이라고 가정하고, 정책 안정화가 단순 증강을 통해 학습될 수 있다고 가정합니다. 실제 상황에서는 시연이 종종 다양한 품질을 가지고 있으며, 방해 주입은 대신 원하는 행동을 복제하지 못하는 비최적 정책을 학습합니다. 이 문제를 해결하기 위해 본 논문은 정책 강인화와 최적 시연 학습을 결합한 새로운 모방 학습 프레임워크를 제안합니다. 구체적으로, 이 조합 접근 방식은 정책 학습과 방해 주입 최적화가 주로 작업 성과가 높은 시연에서 학습하도록 강제하며, 낮은 성과의 시연을 이용하여 필요한 샘플 수를 줄이는 데 초점을 맞춥니다. 이 제안된 방법의 효과는 시뮬레이션과 실제 로봇을 사용한 발굴 작업 실험을 통해 검증되어, 다양한 품질의 시연에 대해 더 안정적이고 강인한 고성능 정책을 생성합니다. 또한, 이 방법은 모든 가중치가 부여된 비최적 시연을 제거하지 않고 활용하여 실질적인 데이터 효율성 이점을 제공합니다.