본 논문은 인공지능 에이전트가 복잡한 시나리오에서 최적의 의사결정을 내리고 다양한 도메인과 작업에 일반화하는 능력의 한계를 다룹니다. 기존의 disentangled representation은 효율적이지만 저수준 상태-행동 전이를 압축하여 구조적 풍부함이 부족하다는 문제점을 지적합니다. 이를 해결하기 위해, 계층적 객체 관계, 상호작용, affordance를 통합한 구조적으로 풍부한 궤적(Structurally Enriched Trajectories, SETs)을 제안합니다. SETs는 다중 레벨 그래프로 구성되어 에이전트 역학을 상세히 표현하고 작업의 전이 가능한 기능적 추상화를 제공합니다. SETs는 다중 레벨 관계적 의존성을 가진 이종 그래프 기반 메모리 구조를 사용하는 Structurally Enriched Trajectory Learning and Encoding (SETLE) 아키텍처에 통합됩니다. 강화학습을 데이터 생성 도구로 사용하여 SETLE이 다양한 환경에서 작업 관련 구조적 패턴을 인식하게 함으로써 하위 작업을 지원할 수 있음을 보여줍니다.
