이 프로젝트는 딥 강화 학습에서 전이 학습을 활용해 OpenAI 자동차 레이싱 환경에서 빠른 랩 타임을 달성하는 것을 목표로 해요. 에이전트를 한 서킷에서 훈련한 뒤, 다른 맞춤형 환경에서 제로샷 전이 또는 추가적인 미세 조정으로 레이싱하는 방식을 탐구해요. 모델 기반과 모델 프리 접근 방식의 성능을 비교한 결과, 모델 기반 접근 방식이 더 빠른 수렴 속도를 보였어요.
모델 기반 접근 방식은 성능 면에서 우위를 점하며, 학습 과정에서 높은 성능을 보여주는 것으로 관찰되었어요. 이 연구는 전이 학습이 대상 도메인의 성능을 향상시키는 데 기여하며, 학습 능력도 향상시킬 수 있음을 보여줘요. 전이 학습은 기존 지식을 활용하여 새로운 환경에 빠르게 적응하는 데 효과적이에요.
이 프로젝트는 딥 강화 학습 분야에서 전이 학습의 가능성을 확인하고, 모델 기반 접근 방식의 장점을 강조하며, 향후 연구 방향을 제시합니다.