본 논문은 에이전트가 작업 해결에 필요한 핵심 개념을 알지 못한 채 강체 환경을 조작해야 하는, '인지하지 못하는 상태에서의 재배치'라는 어려운 상호작용적 작업 학습 시나리오를 다룹니다. 예를 들어 사용자가 "두 개의 그래니 스미스 사과를 바구니 안에 넣어"라고 요청할 수 있지만, 에이전트는 이전에 그러한 개념에 노출된 적이 없기 때문에 환경 내 어떤 물체가 "그래니 스미스"인지 정확하게 식별할 수 없습니다. 본 논문에서는 이러한 시나리오를 해결하기 위해 설계된 상호작용적 작업 학습 정책인 SECURE를 소개합니다. SECURE의 독특한 특징은 구현된 대화를 처리하고 결정을 내릴 때 의미 분석에 참여할 수 있는 능력입니다. 구현된 대화를 통해 SECURE 에이전트는 대화에 참여하여 이전에 예상치 못한 가능성을 식별하고 학습함으로써 부족한 도메인 모델을 조정합니다. SECURE 에이전트는 실수를 했을 때 사용자의 구현된 수정 피드백으로부터 학습하고, 작업과 관련된 새로운 개념에 대한 유용한 정보를 발견하기 위해 전략적으로 대화에 참여합니다. 이러한 기능을 통해 SECURE 에이전트는 획득한 지식을 사용하여 새로운 작업으로 일반화할 수 있습니다. 시뮬레이션된 Blocksworld 환경과 실제 사과 조작 환경에서 인지하지 못하는 상태에서의 재배치를 해결하는 SECURE 에이전트가 구현된 대화나 의미 분석에 참여하지 않는 에이전트보다 데이터 효율이 더 높음을 보여줍니다.
