본 논문은 실세계 환경에서 복잡한 로봇 조작 기술의 자율적 습득을 위한 강화학습(RL) 시스템을 제시합니다. 인간-컴퓨터 상호작용(Human-in-the-loop) 기반의 비전 RL 시스템을 통해 동적 조작, 정밀 조립, 양팔 조정 등 다양한 숙련된 조작 작업에서 인상적인 성능을 보여줍니다. 데모 및 인간의 수정, 효율적인 RL 알고리즘 및 시스템 수준 설계 선택을 통합하여 1~2.5시간의 훈련으로 거의 완벽한 성공률과 빠른 사이클 시간을 달성하는 정책을 학습합니다. 모방 학습 기준 및 기존 RL 접근 방식보다 성공률이 평균 2배, 실행 속도가 1.8배 향상됨을 보여줍니다. 광범위한 실험 및 분석을 통해 반응형 및 예측 제어 전략 모두에 대해 강력하고 적응력 있는 정책을 학습하는 방법에 대한 통찰력을 제공합니다. 실용적인 훈련 시간 내에 실세계에서 다양한 복잡한 비전 기반 조작 정책을 학습할 수 있음을 시사합니다.
