強化学習においてカリキュラム学習の適用は，自律エージェントの行動獲得に作用し，学習効率及び性能の向上が見込める．しかし，カリキュラム学習に必要な要素である「カリキュラム」の生成には，専門的知識や深い事前理解を有することを前提条件としているため，多くの課題が残っている．また，カリキュラム生成手法も対象タスクに特化し，汎用性に欠けることが多々ある．そこで本研究では，エキスパートの軌跡（状態の履歴）に基づき，クラスタリングを用いたカリキュラム自動生成によって上記の課題を解決する新たな手法を提案した．実験では通常のエージェントと提案手法を用いたエージェントの学習効率の比較を行い，提案による複数の側面からのパフォーマンス向上を確認した．
