[논문 리뷰] Automatic Algorithm Selection In Multi-agent Pathfinding

Devon Sigurdson, Vadim Bulitko외 3명|arXiv (Cornell University)|2019. 06. 10.

Robotic Path Planning Algorithms참고 문헌 25인용 수 17

한 줄 요약

이 논문은 사전 훈련된 합성곱 신경망(AlexNet)을 사용하여 다중 에이전트 경로 찾기(MAPF) 문제의 입력 지ap 특징을 기반으로 포트폴리오 내의 MAPF 솔버(FAR, WHCA*, BMAA*) 중 최고 성능을 보이는 알고리즘을 자동으로 예측하는 자동 알고리즘 선택 프레임워크를 제안한다. 이 방법은 테스트 지도에서 76.6%의 완료율을 기록하며, 가장 우수한 단일 알고리즘(FAR, 66.1%)을 능가하고 총 이동 거리와 목표 달성 시간을 크게 감소시킨다.

ABSTRACT

In a multi-agent pathfinding (MAPF) problem, agents need to navigate from their start to their goal locations without colliding into each other. There are various MAPF algorithms, including Windowed Hierarchical Cooperative A*, Flow Annotated Replanning, and Bounded Multi-Agent A*. It is often the case that there is no a single algorithm that dominates all MAPF instances. Therefore, in this paper, we investigate the use of deep learning to automatically select the best MAPF algorithm from a portfolio of algorithms for a given MAPF problem instance. Empirical results show that our automatic algorithm selection approach, which uses an off-the-shelf convolutional neural network, is able to outperform any individual MAPF algorithm in our portfolio.

연구 동기 및 목표

• 다양한 문제 인스턴스에 걸쳐 항상 우세한 MAPF 알고리즘이 존재하지 않는 문제를 해결하기 위해.
• 시간 제한 내에 목표에 도달한 에이전트 비율로 정의되는 완료율을 향상시키기 위해 각 인스턴스에 최적의 알고리즘을 선택하기 위해.
• 지도 학습 기반의 특징 공학을 줄이기 위해 사전 훈련된 CNN을 활용해 지도 표현을 직접 처리하기 위해.
• 다양한 MAPF 알고리즘 포트폴리오를 사용하여 실세계 비디오 게임 지도에서 자동 알고리즘 선택의 효과성을 평가하기 위해.

제안 방법

• 프레임워크는 사전 훈련된 합성곱 신경망(AlexNet)을 사용하여 입력 지도 표현을 포트폴리오 내에서 최고 성능을 보이는 MAPF 알고리즘으로 분류한다.
• 입력 지도는 통행 가능한 노드로 이루어진 격자 형태의 이미지 유사 표현으로 처리되며, 이는 사전 훈련된 CNN에 입력되어 공간적 특징을 추출한다.
• 모델은 각 테스트 인스턴스에서 완료율을 최대화하는 알고리즘(FAR, WHCA*, 또는 BMAA*)을 예측하도록 훈련된다.
• 성능 평가에는 주요 지표로 완료율을 사용하며, 동점인 경우 총 이동 거리와 목표 달성 시간을 기준으로 순위를 결정한다.
• 훈련 및 테스트 분할은 MovingAI 벤치마크의 20개 비디오 게임 지도에서 10개의 랜덤 데이터 분할을 사용하며, 각 인스턴스당 300명의 에이전트를 포함한다.
• 이 방법은 ImageNet 사전 훈련을 통해 학습된 표현에 의존함으로써 맞춤형 특징 공학을 회피한다.

실험 결과

연구 질문

• RQ1 수동적인 특징 공학 없이도 딥러닝 모델이 문제 인스턴스에 맞는 최적의 MAPF 알고리즘을 효과적으로 선택할 수 있는가?
• RQ2 사전 훈련된 CNN을 사용한 자동 알고리즘 선택이 다양한 지도 유형에서 개별 MAPF 알고리즘보다 완료율 측면에서 뛰어나게 되는가?
• RQ3 선택된 알고리즘 포트폴리오의 솔루션 품질은 완료율, 이동 거리, 목표 달성 시간 측면에서 어떻게 비교되는가?
• RQ4 모델이 다양한 지도 구성과 에이전트 분포에 대해 얼마나 잘 일반화되는가?
• RQ5 WHCA*의 전체 완료율은 낮지만 높은 완료율 시나리오에서 최적임을 모델이 식별할 수 있는가?

주요 결과

• 제안된 자동 알고리즘 선택 방법은 테스트 데이터에서 76.6%의 완료율을 기록하여 가장 우수한 단일 알고리즘(FAR, 66.1%)을 초월했다.
• BMAA* 대비 총 이동 거리를 44% 감소시켰다(465.7에서 260.9로), FAR 대비 36% 감소시켰다(405.7에서 260.9로), 비록 이는 타이브레이킹 지표이지만 의미 있는 개선이다.
• 테스트 인스턴스의 72.9%에서 정확히 최적의 알고리즘을 선택했으며, 평균적으로 1000개 문제 중 321.6개에서 WHCA*가 최고의 선택이었다.
• BMAA*는 목표 달성 시간에서 가장 우수한 성능(14.4초)을 보였고, 선택기(16.2초)를 능가했지만, 선택기는 거리와 완료율 측면에서 개선을 이뤘다.
• WHCA*는 완료율이 낮음에도 불구하고 자주 선택되었으며, 이는 모델이 고완료율 시나리오에서 WHCA*를 우선시하도록 학습했다는 것을 시사한다.
• 가장 열악한 알고리즘 선택 방식(44.3% 완료율)보다도 유의미하게 뛰어나 성능을 보이며, 이는 강건성과 일반화 능력을 입증한다.