본 논문은 강화 학습(Reinforcement Learning, RL)의 표본 비효율성과 해석 불가능성 문제를 해결하기 위해 지식 전이를 체계적으로 통합하는 지식 캡처, 적응 및 구성(Knowledge Capture, Adaptation, and Composition, KCAC) 프레임워크를 제안합니다. CausalWorld 벤치마크의 두 블록 쌓기 작업을 통해 KCAC 프레임워크를 평가하며, 기존 RL 접근 방식이 이 작업을 효과적으로 수행하지 못하는 점을 보완합니다. 기존 벤치마크의 제약을 완화하고, 자체 설계한 두 개의 하위 작업과 구조화된 교차 작업 커리큘럼을 도입하여 학습 효율을 높였습니다. 그 결과, 기존 RL 방법에 비해 훈련 시간을 40% 단축하고 작업 성공률을 10% 향상시켰으며, 커리큘럼 설계 매개변수(하위 작업 선택, 전환 시점, 학습률)를 분석하여 최적의 학습 효율을 달성하는 방법을 제시합니다.
