본 논문은 지속적인 접촉(밀기, 미끄러뜨리기)이나 관절 부분(서랍, 문)을 포함하는 물체 조작을 효율적으로 학습하는 새로운 프레임워크를 제시합니다. 기존의 강화학습, 모방학습, 하이브리드 기법들은 많은 훈련 데이터를 필요로 하고 다양한 물체나 로봇 플랫폼에 일반화하는 데 어려움을 겪습니다. 본 연구는 힘 공간에서 물체 중심 조작 정책을 학습하여 로봇과 물체를 분리하는 방법을 제안합니다. 물체의 특정 영역에 직접 힘을 가함으로써 행동 공간을 단순화하고 불필요한 탐색을 줄이며 시뮬레이션 오버헤드를 감소시킵니다. 소수의 대표적인 물체를 이용한 시뮬레이션 훈련을 통해 관절 구성과 같은 물체 역학을 학습하여 새로운 물체에도 효과적으로 일반화됩니다. 로봇 특정 역학과의 분리는 재훈련 없이 다른 로봇 플랫폼(Kinova, Panda, UR5 등)으로 직접 전이를 가능하게 합니다. 실험 결과, 기존 최고 성능 방법들보다 훈련 효율이 10배 이상 향상되었으며, 힘 공간에서의 동작은 다양한 로봇 플랫폼과 물체 유형에서 정책 전이성을 향상시킵니다. 또한, 실제 로봇 환경에서의 적용 가능성도 보여줍니다.
