본 논문은 연속 제어 작업에서 효과적인 모델 예측 제어(MPC)를 개선하기 위해 부트스트랩 모델 예측 제어(BMPC) 알고리즘을 제시합니다. 기존의 모델-프리 방식 MPC는 복잡한 작업에서 정책 학습과 가치 추정이 부족한 문제점을 가지고 있습니다. BMPC는 MPC 전문가를 모방하여 정책 네트워크를 학습하고, 이를 다시 MPC 프로세스에 활용하는 부트스트랩 방식을 사용합니다. 모델 기반 TD 학습과 결합하여 더 나은 가치 추정을 제공하고 MPC 효율성을 높입니다. 또한, 계산 효율적인 모방 학습을 위한 지연 재분석 메커니즘을 도입했습니다. 다양한 연속 제어 작업에서 기존 방법보다 우수한 성능을 달성하며, 특히 고차원적인 로코모션 작업에서 데이터 효율성, 점근적 성능, 훈련 안정성을 향상시켰습니다.
