계층적 강화 학습(HRL)에서 장기간 과제를 효율적으로 해결하기 위해 추상적인 기술을 활용합니다. 기존 기술 발견 방법들은 자동으로 기술을 학습하지만, 과제당 하나의 기술로 제한됩니다. 반면 인간은 세분화된 기술과 조악한 운동 기술을 동시에 학습하고 사용합니다. 인간의 운동 제어에서 영감을 얻어, 본 논문에서는 서로 다른 시간적 해상도에서 여러 기술 인코더를 병렬로 학습하는 HRL 프레임워크인 다중 해상도 기술 발견(MRSD)을 제안합니다. 상위 관리자는 이러한 기술들 중에서 동적으로 선택하여 시간에 따른 적응적 제어 전략을 가능하게 합니다. DeepMind Control Suite의 과제에서 MRSD를 평가한 결과, 기존 최첨단 기술 발견 및 HRL 방법보다 성능이 뛰어나 빠른 수렴과 더 높은 최종 성능을 달성했습니다. 이러한 결과는 HRL에서 다중 해상도 기술을 통합하는 이점을 강조하며, 더욱 다재다능하고 효율적인 에이전트를 위한 길을 열어줍니다.