[논문 리뷰] An Empirical Comparison of PDDL-based and ASP-based Task Planners.

Yuqian Jiang, Shiqi Zhang외 2명|arXiv (Cornell University)|2018. 04. 23.

AI-based Problem Solving and Planning참고 문헌 26인용 수 2

한 줄 요약

이 논문은 동일한 계획 문제에서 PDDL 기반 및 ASP 기반 계획기 간의 실험적 비교를 수행하며, 긴 해답 경로가 필요한 문제에서는 PDDL 계획기가 우수한 성능을 보이며, 많은 객체나 조건 및 영향에 대한 복잡한 추론이 필요한 문제에서는 ASP 계획기가 뛰어난 성능을 보인다. 본 연구는 문제 특성에 따라 계획기를 선택하는 데 기초가 되는 지침을 제공한다.

ABSTRACT

General purpose planners enable AI systems to solve many different types of planning problems. However, many different planners exist, each with different strengths and weaknesses, and there are no general rules for which planner would be best to apply to a given problem. In this paper, we empirically compare the performance of state-of-the-art planners that use either the Planning Domain Description Language (PDDL), or Answer Set Programming (ASP) as the underlying action language. PDDL is designed for automated planning, and PDDL-based planners are widely used for a variety of planning problems. ASP is designed for knowledge-intensive reasoning, but can also be used for solving planning problems. Given domain encodings that are as similar as possible, we find that PDDL-based planners perform better on problems with longer solutions, and ASP-based planners are better on tasks with a large number of objects or in which complex reasoning is required to reason about action preconditions and effects. The resulting analysis can inform selection among general purpose planning systems for a particular domain.

연구 동기 및 목표

• 최신의 PDDL 기반 및 ASP 기반 일반 목적 계획기의 성능을 평가하고 비교하기.
• 특정 계획 문제 특성에 따라 더 적합한 계획기 유형—PDDL 또는 ASP—을 식별하기.
• 해답 길이 또는 객체 수와 같은 문제 구조에 기반한 실용적인 계획기 선택 지침 제공하기.
• 두 파라디그마 간에 가능한 한 유사한 도메인 인코딩을 사용하여 공정한 비교를 확보하기.

제안 방법

• 공정한 비교를 위해 PDDL 및 ASP 모두에서 동일한 도메인 및 문제 인코딩을 사용한다.
• 다양한 종류의 계획 문제에서 최신의 PDDL 및 ASP 파라디그마 계획기를 평가한다.
• 해답 길이, 계획 시간, 문제 복잡도 증가에 따른 확장성 등 여러 메트릭을 통해 성능을 측정한다.
• 분석은 해답 길이와 계획 작업에 관여하는 객체 수라는 두 가지 핵심 문제 차원에 집중한다.
• 복잡한 동작 전제 조건 및 영향에 대한 추론이 필요한 시나리오를 반영하도록 문제를 선정한다.
• 어느 파라디그마가 항상 다른 파라디그마를 앞서는지 판단하기 위해 결과를 분석한다.

실험 결과

연구 질문

• RQ1 해답 시퀀스가 긴 계획 문제에서 PDDL 기반 및 ASP 기반 계획기는 어떻게 성능을 비교할 수 있는가?
• RQ2 어떤 유형의 계획 문제에서 ASP 기반 계획기가 PDDL 기반 계획기보다 뛰어난 성능을 보여주는가?
• RQ3 계획 문제에 포함된 객체 수가 PDDL 및 ASP 계획기의 상대적 성능에 어떻게 영향을 주는가?
• RQ4 동작 전제 조건 및 영향에 대한 복잡한 추론이 필요한 조건에서 어느 계획 파라디그마가 더 유리한가?

주요 결과

• 긴 해답 시퀀스가 필요한 문제에서는 PDDL 기반 계획기가 ASP 기반 계획기보다 뛰어난 성능을 보인다.
• 많은 수의 객체를 포함하는 문제에서는 ASP 기반 계획기가 더 뛰어난 성능을 보인다.
• 동작 전제 조건 및 영향에 대한 복잡한 추론이 필요한 상황에서는 ASP 기반 계획기가 더 효과적이다.
• 각 계획기 유형의 성능 우위는 테스트된 문제 세트 전반에 걸쳐 일관되며, 문제 구조에 강한 의존성이 있음을 시사한다.