본 연구는 복잡한 로봇 조작 환경에서 암묵적인 신경 피드백이 강화 학습을 가속화할 수 있는지 조사합니다. 이전 연구들이 주로 탐색 또는 저차원 운동 과제에 집중한 반면, 본 연구는 장애물이 존재하고 정밀한 엔드 이펙터 제어가 필요한 고차원 조작 과제에서 이러한 신경 평가 신호가 정책 학습을 향상시킬 수 있는지 이해하는 것을 목표로 합니다. 오프라인으로 훈련된 EEG 분류기로부터 디코딩된 오류 관련 전위(ERP)를 보상 형성에 통합하고, 인간 피드백 가중치의 영향을 체계적으로 평가합니다. 장애물이 많은 도달 환경에서 7-DoF 조작기를 대상으로 한 실험 결과, 신경 피드백이 강화 학습을 가속화하며, 인간 피드백 가중치에 따라 희소 보상 기반보다 높은 성공률을 보일 수 있음을 확인했습니다. 또한, 모든 대상에 대해 가장 성능이 좋은 피드백 가중치를 적용했을 때, 희소 보상 설정에 비해 지속적인 강화 학습 가속화가 관찰되었습니다. 더 나아가, leave-one-subject-out 평가를 통해 EEG 디코딩의 개인 간 변동성에도 불구하고 제안된 프레임워크가 견고함을 확인했습니다. 본 연구 결과는 EEG 기반 강화 학습이 운동 과제를 넘어 확장될 수 있으며, 인간 중심의 조작 기술 습득을 위한 실행 가능한 경로를 제시함을 보여줍니다.
