강화학습 (Reinforcement learning)은 종종 물리적 배포에 필요한 안전성과 안정성을 저해하는 고주파 진동 제어 신호를 생성합니다. 명시적 액션 청킹 (Explicit action chunking)은 고정된 호라이즌 (horizon) 궤적을 예측함으로써 이 문제를 해결하지만, 정책 출력 차원이 호라이즌 길이에 비례하여 확장되어 최적화의 어려움과 표준적인 단계별 상호작용 (step-wise interaction)과의 불일치를 초래합니다. 이러한 과제를 극복하기 위해, 본 논문은 매끄러운 연속 제어를 위한 암시적 액션 청킹 프레임워크인 이중 윈도우 평활화 (Dual-Window Smoothing, DWS)를 제안합니다. 명시적 방법과 달리, DWS는 액션 공간 (action space)을 확장하지 않고도 시간적 일관성 (temporal coherence)을 강제합니다. DWS는 이중 윈도우 설계를 사용합니다: 결정론적 변조 (deterministic modulation)를 통해 물리적 매끄러움을 보장하는 실행 윈도우 (execution window), 그리고 개루프 실행 (open-loop execution)으로 인해 발생하는 크리틱 편향 (critic bias)을 수정하기 위해 호라이즌 동안 시간차 (temporal-difference) 타겟을 정렬하는 가치 윈도우 (value window)입니다. 또한 DWS는 전역적 연속성을 촉진하기 위해 1차 액션 차이 (first-order action differences)에 기반한 경량화된 액터 측 시간적 정규화 항 (actor-side temporal regularizer)을 포함합니다. 이러한 설계는 시간적 추상화 (temporal abstraction)와 반응적인 단계별 제어 (reactive step-wise control) 사이의 간극을 효과적으로 메워줍니다. DeepMind Control Suite 및 산업용 에너지 관리 태스크를 포함한 벤치마크 실험에서 DWS는 최신 (SOTA) 베이스라인들을 능가하는 성능을 보여줍니다. 복잡한 시각 기반 자율 주행 태스크에서 DWS는 더 매끄러운 제어, 지터 (jitter)가 감소된 더 안전한 동작을 달성하며 100%의 성공률을 기록합니다.