에이전트(agent)에 지연이 발생하면 일반적으로 다른 에이전트들과의 충돌이 발생하기 때문에, 다중 에이전트 계획을 실행하는 것은 까다로울 수 있습니다. 따라서 안전한 새로운 계획을 신속하게 찾아야 합니다. 지연된 에이전트만 재계획하는 것은 종종 효율적인 계획을 도출하지 못하며, 때로는 실현 가능한 계획조차 도출하지 못하기도 합니다. 반면에 다른 에이전트들까지 재계획하는 것은 연쇄적인 변경과 지연을 초래할 수 있고 계산 비용도 많이 듭니다. 본 논문에서는 연쇄 지연을 방지하면서 다른 에이전트들의 시간적 유연성(temporal flexibility)을 추적하고 활용하여 단일 지연 에이전트를 효율적으로 재계획하는 방법을 제시합니다. 이러한 유연성은 초기에 지연된 에이전트 외의 다른 에이전트들과의 순서를 변경하지 않거나 다른 에이전트들을 추가로 지연시키지 않으면서 해당 에이전트가 감당할 수 있는 최대 지연 시간입니다. 제안하는 알고리즘인 FlexSIPP는 지연된 에이전트에 대해 가능한 모든 계획을 사전 연산하고 주어진 시나리오 내에서 다른 에이전트들의 변경 사항을 반환합니다. 밀집된 네덜란드 철도망에서의 열차 재계획 실제 사례 연구와 MovingAI MAPF 벤치마크 세트에서 본 방식을 입증합니다. 실험 결과는 FlexSIPP가 실제 상황의 조정과 관련된 효과적인 해법을 합리적인 시간 내에 제공함을 보여줍니다.
배경: 본 논문에서는 실행 가능한 상태나 행동의 집합이 시간에 따라 변하는 환경에서의 계획 수립(planning) 문제를 다룹니다. 예를 들어, 이동하는 장애물 사이에서의 경로 계획 문제(흔히 SIPP로 알려짐)에서는 장애물이 이동함에 따라 특정 위치에 머무를 수 있는 가능 여부가 달라질 수 있습니다. 또는 특정 기차에 탑승하는 행동은 기차가 역에 정차해 있는 동안에만 실행 가능합니다. 이러한 동적 특성으로 인해 최적 계획과 그 수행 시간은 실행이 언제 시작되는지에 따라 달라질 수 있습니다. 실제 환경에서는 계획 수립이 완료되거나 다른 에이전트(agent)의 승인이 날 때까지 실행 시작 시간을 알 수 없는 경우가 많습니다. 그러나 기존의 계획 수립 연구 대부분은 이러한 동적 특성을 무시하거나 시작 시간이 사전에 알려져 있다고 가정합니다. 이는 상태와 행동의 실행 가능성을 평가하기는 수월하게 만들지만, 일부 응용 분야에서는 비현실적입니다. 목표: 본 논문에서는 시작 시간이 알려져 있다는 가정을 완화합니다. 임의 시작 시간 계획 수립(any-start-time planning) 설정을 정의하고 이를 위한 알고리즘을 제시합니다. 방법: 시작 시간의 함수로서 최적 계획을 간결하게 인코딩하는 복합 도착 시간 함수(compound arrival time function, cATF)라는 자료구조를 제안합니다. 또한 스칼라 비용 대신 간선을 따라 함수를 전파하여 cATF를 구성하는, 휴리스틱 그래프 탐색 기반의 범용 계획 수립 알고리즘을 제공합니다. 결과: cATF의 크기가 문제 크기에 대해 최대 선형임을 증명합니다. SIPP의 특정 문제에 대한 구현체를 바탕으로 한 실험적 평가에 따르면, 어려운 문제에서 재계획(replanning)에 의존하는 에이전트는 실패하는 경우가 빈번한 반면, cATF를 사용하는 임의 시작 시간 알고리즘은 실행 시작 시간이 확정되면 최적 계획을 신속하게 조회할 수 있음을 보여줍니다. 결론: 시간 의존적 계획에 대한 효율적인 표현과 추론을 가능하게 함으로써, 본 연구는 동적 환경에서의 계획 수립을 위한 토대를 제공합니다.
본 논문에서는 로봇 동작 계획(motion planning) 관점에서 최소 장애물 변위 계획(Minimum Obstacle Displacement Planning) 문제를 다룬다. 이 문제는 처음에 충돌 없는 경로가 없을 때 이동 가능한 장애물을 변위시켜 목표 지점까지의 실행 가능한 경로를 찾는 것을 포함한다. 우리는 이 문제가 계산적으로 어렵고, 특히 장애물을 평면상의 다각형으로 모델링할 때 NP-hard임을 보인다. 문헌의 다른 문제들을 일반화하는 최소 장애물 변위 문제의 정확한 공식화와 이에 대응하는 최적해 외에, 본 논문은 계산 부담이 더 적은 근사해를 제안하며, 이는 최적해와 최적 비용의 일부만큼만 차이 나며, 경로 길이와 장애물 변위량 사이의 트레이드오프를 조절할 수 있다.
우리는 추상적 지시를 상식을 따르는 경로로 바꾸는 새로운 경로 계획기인 \emph{commonsense ranked search}(CoRS)를 제안한다. 기존 방법은 사전에 명시된 고려사항은 반영하지만, 사람들 사이에서 일하는 로봇은 명시되지 않은 고려사항도 따라야 한다. 예를 들어 작업자가 지시 없이도 피하는 젖은 바닥이 그렇다. CoRS는 계획 과정에서 이러한 잠재적 고려사항을 추론하기 위해 대규모 언어 모델(LLM)과 비전-언어 모델(VLM)을 상식 지식으로 활용한다. 추상적 지시(\emph{e.g.}, ``move carefully'')와 환경의 각 영역에 대한 시각 관측이 주어지면, CoRS는 각 영역에 대한 고려사항을 도출한다. 예를 들어 ``this wet floor is slippery and worth a detour.''와 같다. 그다음 영역 간 고려사항을 비교하여 로봇이 둘 중 어느 쪽을 더 피해야 하는지 판단한다. 예를 들어 ``the crowd is worse than the wet floor.''와 같다. 이러한 판단은 영역들을 상식 순위로 정렬하고, 그 순위에서 나온 비용이 항상 유효한 경로를 반환하는 기존 탐색을 이끈다. 잠재적 고려사항 하에서의 계획을 위한 벤치마크를 구축했으며, 세 가지 환경, 1350개 문제, 세 단계 추상화 수준의 다섯 가지 지시를 포함한다. 실험 결과 CoRS는 명시되지 않은 고려사항을 발견하고, 우회할 가치가 있는 것은 돌아가며 나머지는 통과하는데, 이는 최근 LLM 기반 경로 계획기들이 달성하지 못하는 행동이다.
부분 관측성 하에서의 경로 계획은 에이전트가 국소적으로 제한된 관측만으로 장기 내비게이션 의사결정을 내려야 하므로 여전히 어려운 과제이다. 그럼에도 불구하고 과거 궤적에는 재사용 가능한 경험 기반 방향 선호가 담겨 있다. 하지만 고전적인 플래너는 일반적으로 각 인스턴스를 처음부터 해결하며, 이러한 전이 가능한 의사결정 지식을 활용하는 명시적 메커니즘이 부족해 중복 노드 확장과 국소적으로 근시적인 탐색 행동을 초래하는 경우가 많다. 이러한 한계에 동기를 얻어, 본 논문은 ImiPath를 제안한다. ImiPath는 시연 궤적로부터 재사용 가능한 시공간 의사결정 사전을 증류하고, 이를 경험 기반 방향 안내로 사용하여 부분 관측성 하에서 플래너가 신뢰할 만하고 유망한 탐색 방향으로 바이어스되도록 하는 사전 안내 학습 프레임워크이다. 구체적으로 ImiPath는 먼저 국소 시공간 관측 표현을 구성하는데, 이는 국소 환경의 공간 정보와 과거 궤적의 시간 정보를 인코딩한다. SpatioTemporal-Attention Policy Network(STAPNet)는 이 표현을 의사결정 사전으로 변환한다. 이러한 사전은 이질적 플래너에 방향 안내로 통합되어, 탐색을 국소적으로 유망한 영역으로 바이어스한다. 광범위한 실험은 ImiPath가 경쟁력 있는 경로 품질을 달성하고, 국소 관측성 하에서 중복 노드 확장을 줄여 탐색 효율을 향상시킴을 보여준다. 자기 마이크로로봇 플랫폼에서의 추가 물리 실험은 제안 프레임워크의 적응성과 실용적 배포 가능성을 추가로 검증한다.
제로샷 객체-목표 내비게이션(ZSON)은 과제별 학습 없이 미지의 환경에서 목표 객체를 찾기 위해 이동해야 한다. 기존 계층적 해결책은 주로 장면 이해와 표현(belief) 또는 고수준 의사결정과 계획(policy) 중 하나에 집중하지만, 옵션—즉 belief가 제안하고 policy가 선택하는 하위목표 후보—을 인접 모듈에서 물려받은 인터페이스로 다룰 뿐, 그 자체의 설계 축으로는 다루지 않는다. 실제로 옵션은 대부분 목적지 유틸리티로 점수화된 단일 경유점이며, 단일 목적지는 경로상에서 얻은 가치를 숨기고, 평탄한 목록은 후보들 간의 관계를 가린다. 우리의 통찰은 옵션 공간이 경로들의 트리여야 한다는 것이다. 전체 경로는 목적지만 점수화할 때 체계적으로 간과되는 경로상 정보 이득을 드러내며, 공유 구간의 트리는 개별 잎을 검토하기 전에 전체 가지를 기각하거나 추구하는 거친-세밀 LLM 추론을 가능하게 하여 조합적 경로 공간을 효율적인 계층으로 압축한다. 이 통찰을 REST(Receding Horizon Explorative Steiner Tree)에 구현했으며, 이는 (1) 온라인 RGB-D 스트림으로부터 명시적 개방어휘 3D 맵을 구축하고, (2) 샘플링 기반 계획을 통해 안전하고 정보가 풍부한 경로들의 에이전트 중심 트리를 옵션 공간으로 성장시키며, (3) 각 가지를 공간적 서사로 텍스트화하고 사고의 연쇄(chain-of-thought) LLM 추론으로 최선의 다음 경로를 선택하는 학습 없는 프레임워크이다. Gibson, HM3D, HSSD 벤치마크에서 REST는 성공률과 경로 효율성 측면에서 지속적으로 최상위 방법들 중 하나에 해당한다.
무인항공기(UAV)를 활용한 환경 모니터링에는 에너지 한계, 운영 제약, 기하학적 복잡성을 다루면서 커버 영역을 극대화하는 경로 계획 방법이 필요하다. 본 논문은 커버리지 중심 환경 모니터링을 위한 자율 UAV 경로 계획에 관한 진행 중인 체계적 문헌 고찰(SLR)의 절차와 예비 결과를 보고한다. 이 고찰은 PRISMA 2020 프레임워크를 따르며, 2015년부터 2026년까지 발표된 연구를 Scopus와 Web of Science에서 검색한다. 절차는 경로 계획(path planning), 커버리지 경로 계획(coverage path planning), 정보 경로 계획(informative path planning)에 초점을 두며, 알고리즘 계열, 커버리지 및 에너지 지표, 장애물 처리, 기하학적 환경 표현, 환경 제약을 강조한다. 현재 단계에서 562건의 기록이 식별되었고, 161건의 중복이 제거되었으며, 401건의 고유 기록이 제목, 초록, 키워드로 스크리닝되었다. 이 중 247건이 전문(full-text) 적격성 평가를 위해 유지되었고(235건 적격, 12건 경계 기록은 전문 검토 중 해결 예정), 유지된 연구의 예비 분석은 커버리지 중심 공식화, 다중 UAV 협조, 에너지 인식 최적화에 대한 강한 집중을 시사하는 반면, 날씨, 불확실성, 장애물이 많은 환경을 명시적으로 다루는 연구는 상대적으로 적다. 유지된 연구의 대부분은 시뮬레이션 기반 검증에 의존하여 잠재적인 시뮬레이션-현실 간 격차를 부각시키며, 최근 출판물은 강화학습, 하이브리드 최적화, 기하학 인식 계획에 대한 관심 증가를 보여준다. 이러한 초기 결과는 활발하지만 분절된 연구 환경을 나타내며, 현실적인 환경 모니터링 임무를 위한 성숙한 기법과 미해결 공백을 식별하기 위한 구조화된 종합의 필요성을 뒷받침한다.
Shipping 4.0 패러다임 하에서 자율 및 소규모 승무원 선박은 운항 안전성과 구조적 안정성을 유지하기 위한 지능형 내부 시스템을 필요로 한다. 밸러스트 수 제어는 선박의 트림(trim)과 구조적 무결성에 필수적이지만, 기존의 규칙 기반 또는 수동 방식은 밸브 고장 및 배관 막힘과 같은 수압 이상에 대한 적응성이 제한적이며, 진단을 위해 촘촘한 압력 또는 유량 센서에 의존하는 경우가 많다. 이러한 한계를 해결하기 위해 본 논문은 적응형 밸러스트 수 경로 계획과 센서 절감형 막힘 후보 스코어링을 위한 그래프 기반 심층 강화학습 프레임워크인 RL-Ballast를 제안한다. 밸브 순열 문제는 그래프 이론과 깊이 우선 탐색을 활용하여 54개의 실현 가능한 유체 이송 경로로 변환된다. 부분 관측 가능한 밸러스트 환경은 프레임 스택 탱크 수위 및 행동 결과로 근사되며, 이를 통해 에이전트는 고차원 POMDP를 명시적으로 모델링하지 않고도 숨겨진 막힘 효과를 추론할 수 있다. 결정론적 추론 시, 에피소드 수준의 실패 행동 메모리와 동적 행동 마스킹을 통해 반복적인 비효율 행동을 방지하고 즉각적인 경로 재설정을 지원한다. 실패한 이송 이력은 추가로 누적되어 촘촘한 계측 없이도 의심스러운 밸브 또는 배관 구간의 순위를 매기는 데 활용된다. 몬테카를로 시뮬레이션 결과, RL-Ballast는 예상치 못한 단일 막힘 시나리오를 모두 완료하였으며, Dijkstra 규칙 기반 기준선 대비 평균 의사결정 단계를 61.0에서 41.5로 줄였다. 진단 지원 측면에서, 실패 이력 스코어링 방식은 직렬로 구분 불가능한 막힘 조건 하에서 Top-3 적중률 100%, 엄격한 Top-1 적중률 66.7%, Top-1 동률 적중률 83.3%를 달성하였다. 이러한 결과는 RL-Ballast가 제한된 센싱 조건에서 적응형 경로 재설정과 유지보수 지향적 막힘 진단을 가능하게 함을 시사한다.
정적 및 동적 환경에서의 최적 임의각도 경로 계획(any-angle path planning)을 위해 타원 기반 전방 확장(elliptical forward expansion)과 시야각(field of view) 기법을 도입하여 최적성을 유지하면서 탐색 공간과 가시성 검사를 가속화하는 두 가지 핵심 기술을 제안한다. 이를 기반으로 개발된 Zeta*는 정적 환경에서 최신 알고리즘 Anya와 유사한 성능을 달성하며, Zeta*-SIPP는 동적 환경에서 최신 최적 계획기 TO-AA-SIPP 대비 평균 20배 이상의 속도 향상을 보인다.