본 논문은 로봇의 자기지도 학습에서 효율적인 샘플 탐색을 위한 새로운 활성 학습 프레임워크인 MUSEL을 제안합니다. MUSEL은 로봇이 환경과 상호작용하며 데이터를 획득하는 과정에서 발생하는 에너지 소모, 인적 감독, 실험 시간과 같은 비용을 줄이기 위해 고안되었습니다. 기존의 내재적 동기 부여(IM) 방법이나 활성 학습(AL) 방법들이 연속적인 고차원 회귀 문제에는 적용이 어려운 점을 고려하여, MUSEL은 예측 불확실성, 학습 진행 상황, 입력 다양성을 결합한 모델 불확실성 지표를 사용하여 데이터 획득을 유도합니다. 확률적 변분 심층 커널 학습(SVDKL) 모델을 사용하여 두 가지 로봇 테이블탑 작업에서 MUSEL을 검증하였으며, 실험 결과 MUSEL이 학습 정확도와 샘플 효율성을 모두 향상시킴을 보여줍니다.
