OrbitTAMP: 우주선 랑데부의 작업 및 동작 계획을 위한 언어 모델 그라운딩
OrbitTAMP: Grounding Language Models for Task and Motion Planning in Spacecraft Rendezvous
우주선의 랑데부 및 근접 운용(RPO)은 현재 엔지니어가 고수준의 운용 의도를 안전하고 동역학적으로 실행 가능한 궤적으로 변환하는 전문 지식 집약적 과정을 통해 계획되므로, 확장 가능한 운용에 병목 현상을 초래합니다. 대규모 언어 모델(LLM) 기반 에이전트는 이러한 과정에 직관적인 인터페이스를 제공할 수 있지만, 그 출력은 궤도 역학, 운용 제약 조건 또는 허용 가능한 우주선 기동 구조에 본질적으로 그라운딩(grounding)되어 있지 않습니다. 본 논문에서는 LLM의 시맨틱 추론을 활용하는 동시에 생성된 계획의 물리적 타당성을 보장하기 위해, 재사용 가능한 동작 그래프와 도메인 특화 계획 모듈에 LLM 추론을 그라운딩하는 우주선 작업 및 동작 계획(TAMP)용 계층적 프레임워크를 제안합니다. 이 프레임워크 내에서 사전학습된 LLM은 자연어 명령을 부분 임무 명세(specification)로 매핑합니다. 연계된 플래너는 허용 가능한 운용 공간 내에서 명시되지 않은 결정을 해결합니다. 마지막으로, 궤적 최적화(trajectory optimization)를 통해 완성된 임무 명세를 동역학적으로 실행 가능한 궤적으로 변환합니다. 수치 실험 결과, 이러한 아키텍처는 프론티어 LLM을 활용했을 때 평가된 모든 분할에서 98%의 부분 임무 명세 완전 복구율을 달성하며 직접적인 LLM 생성 방식 대비 의도 복구 성능을 대폭 향상시키는 것으로 나타났습니다. 추가적인 테스트 시점 연산(test-time-compute) 실험에서는 컴팩트한 9B 모델의 경우 검증기 유도 수정(verifier-guided revision)을 통해 완전 복구율이 75%에서 88%로 증가했으며, 더 넓은 동작 계획 탐색을 통해 허용 가능한 궤적 실현 방안 간의 선택이 독립적으로 개선됨을 보여줍니다. 종합적으로, 이러한 결과는 우주선 RPO의 언어 기반 에이전트 계획을 위한 확장 가능하고 감증 가능한 기반을 마련합니다.