본 논문은 기존 Quality-Diversity 알고리즘의 한계를 극복하기 위해, 비지도 학습 기반의 새로운 알고리즘인 Vector Quantized-Elites (VQ-Elites)를 제안합니다. VQ-Elites는 Vector Quantized Variational Autoencoders를 활용하여 작업에 대한 사전 지식 없이도 행동 공간 그리드를 자동으로 생성합니다. 기존 방법과 달리 구조화된 행동 공간 그리드를 생성하며, 행동 공간 경계 설정 및 협력 메커니즘을 통해 수렴성과 성능을 향상시킵니다. 로봇 팔 포즈 도달 및 모바일 로봇 공간 탐색 작업을 통해 VQ-Elites의 효율성, 다양성, 고품질 솔루션 생성 능력, 그리고 하이퍼파라미터에 대한 강건성을 검증합니다. 이는 복잡하고 접근하기 어려운 영역으로 Quality-Diversity 최적화를 확장할 가능성을 보여줍니다.
