심층 강화 학습(RL) 에이전트의 일반화 문제를 해결하기 위해, 객체 중심 상태를 사용하는 기호적 방법을 활용하는 SCoBots 프레임워크를 제시한다. SCoBots는 RL 태스크를 중간, 해석 가능한 표현으로 분해하고, 객체 중심 관계 개념을 기반으로 행동 결정을 내린다. 이 프레임워크는 객체 중심 표현을 원시 상태에서 명시적으로 학습하고, 규칙 추출을 통한 정책 증류를 통해 신경 기호 AI 패러다임 내에서 작동한다. Atari 게임에서 SCoBot의 구성 요소를 별도로 평가하며, 해석 가능하고 성능이 좋은 RL 시스템을 개발할 수 있는 가능성을 보여준다.
