본 논문은 심층 강화 학습(DRL) 에이전트의 복잡하고 이해하기 어려운 실패 모드 문제를 해결하기 위해 증강 현실(AR) 프레임워크인 Arvolution을 제시합니다. Arvolution은 에이전트의 과거 실패 정책 궤적을 반투명한 "고스트"로 시각화하여 현재 에이전트와 공간적, 시간적으로 공존하게 함으로써 정책 분기의 직관적인 시각화를 가능하게 합니다. Arvolution은 AR 시각화, DRL 적응 실패의 행동 분류, 실패를 과학적으로 연구하기 위한 체계적인 인간 개입 프로토콜, 그리고 인간과 에이전트 모두 시각화된 실패로부터 학습하는 이중 학습 루프를 통합합니다. 이를 통해 DRL 에이전트의 실패를 값비싼 오류가 아닌 귀중한 학습 자료로 전환하여 "실패 시각화 학습"이라는 새로운 연구 분야를 제시합니다.
