본 논문은 인간의 탐색 및 경로 찾기 행동을 모방하여 목표물 탐색 전에 미지의 영역을 탐색하는 단계와 목표물 발견 후 경로를 찾는 단계를 구분하는 이단계 전략 기반의 객체 탐색 방법을 제시합니다. 기존 연구들이 두 단계의 보상 신호 차이를 고려하지 않고 병렬 하위 모듈을 사용하여 각 단계를 처리함으로써 완전한 학습이나 과적합 문제를 야기하는 점을 개선하고자, 두 단계의 행동을 분리하는 이단계 보상 메커니즘(TSRM)을 제안합니다. 또한, 깊이 정보를 활용하여 탐색 영역 판단 및 경로 계획 정확도를 높이는 사전 학습 방법인 깊이 향상 마스크 자동 인코더(DE-MAE)를 제안합니다. 탐색 성공률과 효율성을 평가하는 새로운 지표인 탐색 경로 길이 가중 탐색 성공률(SSSPL)도 제시하며, AI2-Thor 및 RoboTHOR 환경에서 실험을 통해 기존 최고 성능(SOTA) 방법들을 능가하는 성능을 보임을 확인했습니다.
