객체 상호작용(Object interaction) 작업은 모방 학습(Imitation learning) 발전의 중심이 되어 왔습니다. 확산 모델(Diffusion) 및 흐름 기반(Flow-based) 변형 모델이 주도하는 엔드투엔드(End-to-end) 방식은 성능 면에서 비약적인 발전을 보여주었으나, 해석 가능성(Interpretability)을 희생했습니다. 객체 중심(Object-centric) 및 포즈 정보 기반(Pose-informed) 변형 모델들은 조작 작업의 시연으로부터 학습하는 데 역할을 해왔습니다. 본 논문에서는 성능과 해석 가능성을 모두 보존하면서, 원칙적인 조작 이론을 재활용하는 프레임워크를 구성하는 것을 목표로 객체 상호작용을 위한 몇 가지 현대적인 모방 학습 벤치마크를 재검토합니다. 이미지 관측(Image observations)의 경우, 모방 학습을 위해 사용 가능한 시연 데이터에 대한 자기 지도 학습(Self-supervision)을 사용하여 대상 객체의 모델 프리(Model-free) 포즈 추정(Pose estimation)을 위한 경량화된 학습을 제안합니다. 이 정보는 이후 조작 모드 인식 시연 검색(Manipulation mode-aware retrieval of a demonstration), 모드 인식 변형(Mode-aware transformation), 모드 제약 조건을 유지하면서 검색 지점과 연결되는 재계획(Replan) 단계, 그리고 마지막으로 변형된 시연의 실행(Rolling out)에 사용됩니다. 이들은 제안된 RE4 프레임워크의 네 가지 핵심 단계로 구성되며, Push-T 및 Robomimic의 상태 기반(State-based) 및 이미지 기반(Image-based) 벤치마크를 통해 평가되었습니다. 이미지 기반 Push-T의 희소 데이터 영역(Sparse data regions)을 평가하는 적대적 벤치마크(Adversarial benchmark)는 강건성(Robustness)을 보여주며, 이는 데이터가 적은 환경(Low-data regime)에서의 실험 결과로 더욱 뒷받침됩니다. 본 연구는 단순하고 해석 가능한 구성 요소들을 사용하여 조작 기술을 학습하는 데 있어 유망한 가능성을 보여줍니다.