본 논문은 고차원 자유도(DoF) 시스템 제어를 필요로 하는 가정용 및 산업용 로봇 제작에 있어 강화학습(RL)의 확장성 문제를 해결하기 위해 SLAC(Skill-based Latent Action Control)이라는 새로운 방법론을 제시합니다. 기존의 실세계 RL의 안전한 탐색 및 높은 샘플 효율성 문제, 그리고 시뮬레이션-실세계 RL의 현실 격차 문제를 해결하기 위해, SLAC은 저충실도 시뮬레이터를 활용하여 작업과 무관한 잠재적 행동 공간을 사전 훈련합니다. 이 잠재적 행동 공간은 시간적 추상화, 분리, 안전성을 증진하도록 설계된 비지도 학습 기반 스킬 발견 방법을 통해 학습되며, 이후 새로운 오프-폴리시 RL 알고리즘의 행동 인터페이스로 사용되어 실세계 상호작용을 통해 다운스트림 작업을 자율적으로 학습합니다. 실험 결과, SLAC은 다양한 양팔 이동 조작 작업에서 최첨단 성능을 달성하며, 데모나 수작업 행동 사전 지식 없이 1시간 이내에 접촉이 많은 전신 작업을 학습합니다.
