T2DA는 오프라인 메타-RL에서 자연어를 활용하여 일반화를 달성하는 프레임워크입니다. 고품질 샘플이나 워밍업 탐색에 의존하는 기존 방식의 한계를 극복하고, 텍스트 설명을 직접 활용하여 더 넓은 범위의 정보를 활용합니다. T2DA는 멀티태스크 의사 결정 데이터를 동적 인식 임베딩 공간으로 인코딩하는 일반화된 세계 모델을 도입하고, CLIP을 기반으로 텍스트 설명과 의사 결정 임베딩 간의 관계를 예측합니다. 이는 대비 언어-의사 결정 사전 훈련을 통해 텍스트 임베딩을 환경 역학에 맞게 정렬합니다. 훈련된 텍스트 조건 일반 정책을 통해, 에이전트는 언어 지침에 따라 제로샷 텍스트-의사 결정 생성을 수행할 수 있습니다. MuJoCo 및 Meta-World 벤치마크에서 제로샷 일반화 성능을 입증하며, 다양한 기반 모델보다 뛰어난 결과를 보였습니다.
