PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.23393v1cs.AI

Key-Interval A*: 구조적 추상화를 통한 격자 경로 탐색 가속

Key-Interval A*: Accelerating Grid Pathfinding via Structural Abstraction

기존 4-연결 격자 경로 탐색을 위한 정확(exact) 방법들은 온라인 탐색을 줄이지만, 종종 세밀한 탐색 상태를 유지하거나 상당한 전처리(preprocessing)를 요구한다. 본 논문은 경량 전처리를 사용하여 자유 공간(free space)의 간결한 구간(interval) 수준 추상화를 구성하고 탐색하는 최적 경로 탐색 알고리즘인 Key-Interval A* (KIA*)를 제안한다. KIA*는 구간을 사용하여 자유 공간을 표현하며, 구간이란 통과 가능한 셀들의 최대 연속 구간(maximal contiguous runs)이다. 구조적 경계 변화를 포착하는 핵심 구간(key interval)을 추출하고, 연속적인 비핵심(non-key) 영역을 통해 이를 연결한다. KIA*는 이로부터 얻어진 핵심-구간(key-interval) 그래프에서 A* 스타일 탐색을 수행하고, 셀 수준의 지역 탐색 없이 구간 체인(interval chain)으로부터 격자 경로를 구성적으로 재구성한다. 4-연결 격자에서 KIA*의 완전성(completeness)과 최적성(optimality)을 증명한다. 표준 벤치마크(benchmark) 실험에서 KIA*는 정확한 최단 경로 길이를 유지하고 8개 벤치마크 그룹 중 7개에서 최고 실행 시간을 달성하며, 구조화된 맵과 게임 맵에서 가장 큰 성능 향상을 보인다.

arXiv:2606.20031v1cs.RO

로봇 모바일 이행 시스템에서 효율적인 경로 탐색을 위한 뉴로모픽 강화학습 프레임워크

A Neuromorphic Reinforcement Learning Framework for Efficient Pathfinding in Robotic Mobile Fulfillment Systems

동적인 환경 변화, 협소한 작업 공간, 엄격한 실시간 제약 조건으로 인해 로봇 모바일 이행 시스템(RMFS)에서의 경로 탐색은 기존 검색 기반 및 규칙 기반 방법들에게 어려운 문제입니다. 이러한 방법들은 일반적으로 높은 계산 복잡도와 긴 결정 지연 시간이라는 문제를 겪습니다. 강화학습(RL)이 강력한 대안으로 등장했지만, 자원이 제한된 하드웨어에서 학습된 정책을 극도의 에너지 효율성으로 배포하는 것은 여전히 해결되지 않은 과제입니다. 본 논문에서는 SDQN-RMFS를 제안합니다. 이는 고정밀(full-precision) 인공 신경망(ANN)에서 뉴로모픽 칩에 이르기까지 강화학습으로 학습된 정책을 높은 충실도로 배포하는 엔드투엔드 프레임워크입니다. 희소 이벤트에 의해 트리거되었을 때만 계산함으로써, 이 프레임워크는 초저전력 RMFS 경로 탐색을 실현합니다. 우리의 풀스택 파이프라인은 다음과 같이 작동합니다. ANN 정책은 먼저 유익한 궤적의 밀도를 높이기 위해 충돌 허용 전략을 통해 효율적으로 학습되고, 그 다음 하드 라벨 지식 증류 접근 방식을 통해 스파이킹 신경망(SNN)으로 변환됩니다. 이는 출력 분포 불일치를 효과적으로 해결하여, ANN-to-SNN 파이프라인 전반에서 정책 능력을 보존하는 동시에 추론 지연 시간을 크게 줄입니다. 하드웨어 실험 결과, 고성능 GPU 기준선(baseline)과 비교하여 최대 11,281배의 에너지 절약 효과와 거의 2배의 지연 시간 감소를 보여주었으며, 원래 학습된 정책과 대등한 결정 품질을 유지했습니다. 이러한 결과는 물리적 뉴로모픽 추론이 대규모 RMFS 운영을 위한 실용적이고 에너지 지속 가능한 경로임을 입증합니다.

arXiv:2606.07047v1cs.AI

Front-to-Attractors: 양방향 탐색에서 Front-to-Front 휴리스틱 수정

Front-to-Attractors: Modifying the Front-to-Front Heuristic in Bidirectional Search

휴리스틱은 양방향 탐색 알고리즘의 성능에서 핵심적인 역할을 하며, 이러한 알고리즘은 일반적으로 두 가지 주요 유형에 의존한다. Front-to-end(F2E) 휴리스틱은 상태 s에서 탐색의 목표(순방향 탐색의 경우 목표 상태, 역방향 탐색의 경우 시작 상태)까지의 거리를 추정한다. 반면 front-to-front(F2F) 휴리스틱은 s'가 프론티어 상태들에 걸쳐 변하는 쌍별(pairwise) 함수 h(s, s')를 사용하여 s에서 반대 방향 탐색 프론티어까지의 거리를 추정한다. F2F 휴리스틱은 일반적으로 더 정보가 풍부하여 노드 확장 횟수를 줄이지만, 광범위한 쌍별 평가에 의존하기 때문에 상당한 계산 오버헤드가 발생한다. 이 한계를 해결하기 위해, F2F의 정보성 대부분을 유지하면서 계산 비용을 크게 줄이는 새로운 휴리스틱 유형인 front-to-attractors(F2A)를 제안한다. F2A는 반대 프론티어의 모든 상태까지의 거리를 평가하는 대신, 반대 탐색 방향에서 동적으로 유지되는 소규모 attractor 집합까지 s에서의 거리를 추정한다. 이 attractor들은 전체 프론티어의 대리(surrogate) 역할을 하여, F2F가 제공하는 최적성 보장을 유지하면서 계산 비용의 일부만으로 풍부한 휴리스틱 안내를 가능하게 한다. 여러 도메인에서 F2A를 평가한 결과, F2F 대비 쌍별 평가 횟수를 최대 11.2배 줄이면서, 평균적으로 F2E 대비 노드 확장 횟수를 4.8배 적게 달성함을 보인다.