본 논문은 로봇의 복잡한 작업 학습을 위한 커리큘럼 학습(Curriculum Learning) 프레임워크인 'Grounded Adaptive Curriculum Learning (GACL)'을 제안합니다. 기존의 수동으로 설계된 커리큘럼 학습의 한계를 극복하기 위해, GACL은 복잡한 로봇 작업 설계를 일관되게 처리하는 작업 표현, 로봇의 현재 능력에 적합한 적응형 커리큘럼 생성을 위한 능동적 성능 추적 메커니즘, 그리고 참조 작업과 합성 작업 간의 번갈아 가며 샘플링을 통한 목표 도메인 관련성 유지를 위한 접지(grounding) 접근 방식이라는 세 가지 핵심 혁신을 제시합니다. 바퀴 달린 로봇의 제한된 환경 내비게이션과 네발 로봇의 3D 협소 공간 보행 작업에서 기존 최고 성능 방법보다 각각 6.8%와 6.1% 높은 성공률을 달성했습니다.
