Hyper-GoalNet은 로봇 조작을 위한 목표 기반 정책 학습 프레임워크로, 하이퍼네트워크를 사용하여 목표 사양으로부터 작업별 정책 네트워크 파라미터를 생성합니다. 이는 기존의 고정 네트워크를 목표-상태 쌍에 단순히 조건화하는 방식과 달리, 목표 해석과 상태 처리를 분리하여 목표 해석이 네트워크 파라미터를 결정하고, 상태 처리가 이러한 파라미터를 현재 관측치에 적용합니다. 효과적인 정책 생성을 위해, 상태 전환 예측성을 높이는 순방향 동역학 모델과 목표 상태를 향한 단조로운 진행을 보장하는 거리 기반 제약 조건을 활용하여 잠재 공간의 표현 품질을 향상시켰습니다. 다양한 환경에서 광범위한 조작 작업에 대해 실험한 결과, 특히 높은 가변성 조건에서 기존 방법보다 상당한 성능 향상을 보였으며, 실제 로봇 실험을 통해 센서 노이즈 및 물리적 불확실성에 대한 견고함을 검증했습니다.
