본 논문은 복잡한 지형에서의 강건한 로봇 보행을 위한 새로운 학습 프레임워크를 제시합니다. 교사-학생 패러다임에 기반한 이 프레임워크는 모방 학습과 보조 작업 학습을 통합하여 학습 효율과 일반화 성능을 향상시킵니다. 기존의 인코더 기반 상태 임베딩에 의존하는 방식과 달리, 네트워크 설계를 분리하여 정책 네트워크의 단순화 및 배포를 용이하게 합니다. 우선, 특권 정보를 사용하여 고성능 교사 정책을 훈련하여 일반화 가능한 동작 기술을 습득하고, 생성적 적대적 네트워크를 통해 교사의 동작 분포를 학생 정책에 전달하여 분포 변화로 인한 성능 저하를 완화합니다. 또한, 보조 작업 학습을 통해 학생 정책의 특징 표현을 향상시켜 수렴 속도를 높이고 다양한 지형에 대한 적응력을 향상시킵니다. 인간형 로봇을 이용한 실험을 통해 동적 지형에서의 보행 안정성이 크게 향상되었고 개발 비용이 상당히 절감됨을 보여줍니다.
