본 논문은 로봇 작업을 위한 모방 학습 모델에서 다중 모드 입력(RGB 이미지, 언어, 고유수용성 상태 등)을 사용하는데, 모든 고유수용성 상태를 단순히 통합하는 것이 모방 학습 성능 저하로 이어진다는 문제점을 제기합니다. 이러한 현상을 '고유수용성 변화 문제'로 정의하고, 훈련과 배포 간 고유수용성 상태 분포의 차이가 문제임을 밝힙니다. 이를 해결하기 위해, 배포 중 수집된 전개 데이터를 활용하여 훈련과 배포 간의 차이를 줄이는 도메인 적응 프레임워크를 제안합니다. Wasserstein 거리를 사용하여 전문가와 전개 고유수용성 상태 간의 불일치를 정량화하고, Wasserstein 거리에 비례하는 노이즈를 두 상태 집합에 추가하여 이 간극을 최소화합니다. 실험 결과, 제안된 방법이 고유수용성 정보를 활용하면서 부정적인 영향을 완화하여 모방 정책의 성능을 향상시키는 것을 보여줍니다.
