[논문 리뷰] A Research Agenda for AI Planning in the Field of Flexible Production Systems

Aljosha Köcher, René Heesch외 5명|arXiv (Cornell University)|2021. 12. 31.

Flexible and Reconfigurable Manufacturing Systems참고 문헌 48인용 수 13

한 줄 요약

이 논문은 자동화되고 설명 가능하며 유연한 생산 계획을 가능하게 하기 위해 사이버-물리적 생산 시스템(CPPS)에서 상징적 AI 계획법과 기계 학습을 통합하기 위한 연구 의제를 제안한다. 모델링, 계획, 스케줄링 분야의 핵심 과제를 규명하고, 최적화, 기능적 종속성, 루프 탐지, 실세계 벤치마크 지원을 위해 의미 모델과 계획 알고리즘 간의 더욱 유기적인 통합을 촉구한다.

ABSTRACT

Manufacturing companies face challenges when it comes to quickly adapting their production control to fluctuating demands or changing requirements. Control approaches that encapsulate production functions as services have shown to be promising in order to increase the flexibility of Cyber-Physical Production Systems. But an existing challenge of such approaches is finding a production plan based on provided functionalities for a demanded product, especially when there is no direct (i.e., syntactic) match between demanded and provided functions. While there is a variety of approaches to production planning, flexible production poses specific requirements that are not covered by existing research. In this contribution, we first capture these requirements for flexible production environments. Afterwards, an overview of current Artificial Intelligence approaches that can be utilized in order to overcome the aforementioned challenges is given. For this purpose, we focus on planning algorithms, but also consider models of production systems that can act as inputs to these algorithms. Approaches from both symbolic AI planning as well as approaches based on Machine Learning are discussed and eventually compared against the requirements. Based on this comparison, a research agenda is derived.

연구 동기 및 목표

• 현재 상호 작용하지 않는 상태로 운영되고 있는 사이버-물리적 생산 시스템(CPPS)의 의미 모델링과 AI 계획 알고리즘 간 격차를 해소하기 위해.
• 최적화, 종속성 모델링, 루프 처리, 설명 가능성, 구현 노력 등을 포함한 융통성 있는 생산을 위한 AI 계획의 핵심 요구사항을 규명하기 위해.
• 이러한 요구사항을 바탕으로 상징적 AI(PDDL, SMT, 온톨로지 등)와 기계 학습 접근법의 적합성을 평가하여 연구 격차를 밝혀내기 위해.
• 의미 모델이 CPPS의 계획 및 스케줄링 과정을 정보 제공 및 향상시키는 통합 프레임워크를 제안하기 위해.
• 실제 산업 현장에서 생산 계획의 종단 간 자동화를 향한 향후 연구를 이끄는 연구 의제를 수립하기 위해.

제안 방법

• 기존의 AI 계획 방법을 상징적(PDDL, SMT, 온톨로지 등) 및 비상징적(기계 학습 등) 방법으로 분류하기 위해.
• 각 방법을 최적화, 종속성 모델링, 루프 처리, 설명 가능성, 구현 노력, 데이터 활용도의 여섯 가지 핵심 요구사항에 대응시키기 위해.
• 지속적인 기능적 종속성 처리, 설명 가능한 의사결정, 실세계 데이터 통합 측면에서 현재 접근법의 한계 분석하기 위해.
• 세 단계로 구성된 생산 계획 파이프라인 제안하기: (1) 제품, 공정, 자원의 의미 모델링; (2) 행동 시퀀스 생성을 위한 AI 계획; (3) 자원 할당 및 시간 배정을 위한 스케줄링.
• 의미 모델(예: 온톨로지)을 계획 알고리즘과 통합하여 투명성 향상과 정보 손실 감소를 도모하기 위해.
• 실제 산업 벤치마크 개발을 통해 모델링, 계획, 스케줄링 단계에서의 계획 시스템 평가 및 비교를 가능하게 하기 위해.

실험 결과

연구 질문

• RQ1 PDDL 및 SMT와 같은 상징적 AI 계획 방법은 CPPS의 복잡한 연속적 기능적 종속성을 어떻게 확장하여 처리할 수 있는가?
• RQ2 기계 학습 모델은 비선형 공정 행동을 모델링하는 데 있어 융통성 있는 생산 시스템의 계획 향상에 어느 정도 기여할 수 있는가?
• RQ3 설명 가능성은 어떻게 체계적으로 AI 계획 솔루션에 통합되어야 하며, 산업 환경에서 신뢰성과 정확성을 확보할 수 있는가?
• RQ4 생산 공정에서 루프를 명시적으로 탐지할 수 있는 메커니즘은 무엇이며, 이를 통해 비용이 많이 드는 재계획의 횟수를 줄일 수 있는가?
• RQ5 실세계 산업 데이터와 벤치마크는 어떻게 표준화된 방식으로 AI 계획 시스템의 평가 및 비교에 활용될 수 있는가?

주요 결과

• 현재의 AI 계획 시스템은 CPPS의 의미 모델을 소비하지 못하여 모델링 단계와 계획 단계 사이에 단절이 발생한다.
• PDDL 및 SMT와 같은 상징적 AI 방법은 성숙해졌지만, 복잡한 시스템에서의 연속적 기능적 종속성 및 설명 가능한 추론에 대한 지원이 부족하다.
• 기계 학습 접근법은 복잡한 연속적 종속성을 모델링할 수 있지만, 설명 가능성 부족과 높은 구현 노력으로 인해 한계가 있다.
• 서로 보완적인 강점을 지닌 의미 모델(예: 온톨로지)과 기계 학습 모델 간의 통합은 존재하지 않으며, 이는 여전히 연구의 격차로 남아 있다.
• 현재 계획 알고리즘은 루프 탐지 기능을 부분적으로만 지원하며, 명시적인 루프 모델링은 재계획 비용을 크게 줄일 수 있다.
• 실제 산업 벤치마크의 부재로 인해 AI 계획 접근법의 평가 및 비교가 제한되어 있으며, 이는 산업 현장 적용을 향한 진전을 저해하고 있다.