본 논문은 로봇의 모방 학습(IL)에서 고품질 데모 데이터 수집의 어려움과 높은 비용을 해결하기 위해, 소량의 데모 데이터를 시뮬레이션 데이터 증강을 통해 대규모 데이터셋으로 확장하는 방법을 제시합니다. 저렴한 하드웨어와 시각적 처리 기술을 이용하여 수집한 실제 데모 데이터와 시뮬레이션 환경을 활용하고, 사람의 개입을 통한 수정을 통해 학습된 정책의 일반화 및 강건성을 향상시킵니다. 병뚜껑 수집, 물체 쌓기, 못 박기 등 다양한 복잡도의 작업에 대한 실험을 통해 시뮬레이션 데이터로부터 강건한 로봇 정책 학습의 효과성을 검증하고, 새로운 작업(음료 트레이 놓기)에 대한 일반화 능력도 보여줍니다.
