로봇 조작에서 지역성을 활용하여 샘플 효율성 향상하기

로봇 데이터 수집의 높은 비용으로 인해 샘플 효율성은 로봇 공학에서 지속적으로 중요한 과제이다. 본 논문에서는 시각적 및 동작 표현을 개선하여 샘플 효율성을 높이는 SGRv2라는 모방 학습 프레임워크를 소개한다. SGRv2의 핵심 설계는 동작의 지역성이라는 중요한 귀납적 편향을 포함하는 것이다. 이는 로봇의 동작이 주로 대상 물체와 그 주변 환경과의 상호작용에 의해 영향을 받는다는 것을 의미한다. 시뮬레이션 및 실제 환경에서의 광범위한 실험을 통해 동작의 지역성이 샘플 효율성 향상에 필수적임을 입증한다.