본 논문은 고차원 자유도(DoF) 시스템의 제어를 필요로 하는 가정용 및 산업용 로봇 제작에 있어 강화 학습(RL)의 확장성 문제를 해결하기 위해 SLAC(Skill-based Latent Action Control)이라는 새로운 방법을 제시합니다. SLAC은 저충실도 시뮬레이터를 이용하여 작업과 무관한 잠재 행동 공간을 사전 훈련하고, 이를 통해 실세계 강화 학습을 가능하게 합니다. 특히, 시간적 추상화, 분리 및 안전성을 증진시키는 비지도 학습 기반의 기술 발견 방법을 사용하여 효율적인 후속 학습을 지원합니다. 학습된 잠재 행동 공간을 새로운 오프-폴리시 RL 알고리즘의 행동 인터페이스로 사용하여 실세계 상호 작용을 통해 다양한 작업을 자율적으로 학습합니다. 양팔 이동 조작 작업에 대한 평가 결과, 기존 방법보다 우수한 성능을 달성하며, 데모 또는 사전 정의된 행동 없이도 1시간 이내에 실세계 상호 작용을 통해 접촉 기반 전신 작업을 학습하는 것을 보여줍니다.
