[논문 리뷰] Causal Belief Decomposition for Planning with Sensing: Completeness Results and Practical Approximation

Blai Bonet, Héctor Geffner|arXiv (Cornell University)|2019. 09. 26.

AI-based Problem Solving and Planning참고 문헌 18인용 수 8

한 줄 요약

이 논문은 감지 기반 계획에서 신뢰 추적을 위한 새로운 알고리즘인 인과적 신뢰 추적(Causal Belief Tracking, CBT)을 소개한다. CBT는 문제의 구조적 폭가 아니라 인과적 관련성에 따라 신뢰를 분해함으로써, 일반적으로 문제 폭보다 훨씬 작은 인과적 폭에 대해 지수적 공간 복잡도를 달성한다. 이 방법은 이론적으로 완전한 신뢰 추적을 가능하게 하며, 실시간 성능을 높이기 위해 실용적인 근사법인 빔 추적을 제공한다. 이는 인과적 폭이 낮은 도메인인 미네스위퍼, 배틀쉽, 위umps에서 최신 기술 수준의 실시간 성능을 달성한다.

ABSTRACT

Belief tracking is a basic problem in planning with sensing. While the problem is intractable, it has been recently shown that for both deterministic and non-deterministic systems expressed in compact form, it can be done in time and space that are exponential in the problem width. The width measures the maximum number of state variables that are all relevant to a given precondition or goal. In this work, we extend this result both theoretically and practically. First, we introduce an alternative decomposition scheme and algorithm with the same time complexity but different completeness guarantees, whose space complexity is much smaller: exponential in the causal width of the problem that measures the number of state variables that are causally relevant to a given precondition, goal, or observable. Second, we introduce a fast, meaningful, and powerful approximation that trades completeness by speed, and is both time and space exponential in the problem causal width. It is then shown empirically that the algorithm combined with simple heuristics yields state-of-the-art real-time performance in domains with high widths but low causal widths such as Minesweeper, Battleship, and Wumpus.

연구 동기 및 목표

• 감지 기반 계획에서 기존 신뢰 추적 방법의 높은 공간 복잡도 문제를 해결하기 위해, 특히 문제 폭이 큰 도메인에서의 문제를 다루기 위해.
• 공간 복잡도가 구조적 폭가 아니라 인과적 폭에 의존하는 신뢰 추적 알고리즘을 개발하기 위해.
• 특정 조건 하에서 새로운 분해 기반의 이론적 완전성 보장을 제공하기 위해.
• 실시간 응용 프로그램에서 완전성과 효율성의 균형을 이루기 위해 실용적 근사법인 빔 추적을 설계하기 위해.
• 미네스위퍼, 배틀쉽, 위umps와 같이 구조적 폭은 높지만 인과적 폭은 낮은 벤치마크 도메인에서 접근 방식을 경험적으로 검증하기 위해.

제안 방법

• 주어진 전제조건, 목표 또는 관측 결과와 인과적으로 관련된 상태 변수 집합에 따라, 신뢰를 분해하는 새로운 분해 기반 기법을 제안한다.
• 인과적 폭을 정의한다. 이는 어떤 전제조건, 목표 또는 관측 결과와도 인과적으로 관련된 최대 상태 변수 수로 정의된다.
• 시간 복잡도는 문제 폭에 대해 지수적이고, 공간 복잡도는 인과적 폭에 대해 지수적인 이론적 완전성 보장을 갖는 인과적 신뢰 추적(Causal Belief Tracking, CBT) 알고리즘을 개발한다.
• 완전성과 효율성의 균형을 위해, 각 인과 컴포넌트당 유한한 수의 신뢰 상태만 유지하는 실용적 근사법인 빔 추적을 설계한다.
• 실시간 대규모 도메인에서의 의사결정을 유도하기 위해, 신뢰 상태 기반의 탐욕적 행동 선택 히우리스틱을 활용한다.
• 집합 연산을 통해 효율적인 신뢰 업데이트를 가능하게 하는 상태 변수와 리터럴을 이용한 간결한 논리적 표현 방식을 사용한다.

실험 결과

연구 질문

• RQ1 문제의 인과적 의존성에 기반하여 구조적 의존성 대신 신뢰 추적의 공간 효율성을 높일 수 있는가?
• RQ2 제안된 인과적 분해 기반 기법이 감지 기반 계획에서 신뢰 추적에 대해 완전성을 갖는 조건은 무엇인가?
• RQ3 실제 도메인에서 인과적 폭에 따른 신뢰 추적의 공간 복잡도가 문제 폭에 비해 어떻게 변화하는가?
• RQ4 완전 알고리즘의 의미 있는 근사가 저비용 인과적 폭을 가진 대규모 고폭 도메인에서 실시간 성능을 달성할 수 있는가?
• RQ5 신규 신뢰 표현 및 분해 기반 기법이 미네스위퍼, 배틀쉽, 위umps와 같은 도메인에서 기존 방법보다 얼마나 뛰어나게 성능을 높일 수 있는가?

주요 결과

• CBT는 인과적 폭가 유계인 도메인에서 신뢰 추적의 완전성을 달성하며, 시간 복잡도는 문제 폭에 대해 지수적이고, 공간 복잡도는 인과적 폭에 대해 지수적이다.
• 실용적 근사법인 빔 추적은 대규모 미네스위퍼, 배틀쉽, 위umps 인스턴스에서 실시간 성능을 달성했으며, 평균 100초 이내에 $50\times 50$ 위umps 격자를 해결했다.
• 32\times 64$ 미네스위퍼에서는 빔 추적으로 평균 672초에 80.3%의 게임을 해결했고, 전체 게임 성공률은 15.6%였다.
• $40\times 40$ 위umps에서는 빔 추적으로 평균 12.7초에 1회의 결정당 7.3%의 게임을 해결했고, 전체 게임 성공률은 16.0%였다.
• $50\times 50$ 위umps에서는 빔 추적으로 평균 100.4초에 1회의 결정당 0.1%의 게임을 해결했고, 전체 게임 성공률은 40.9%였다.
• 도메인 독립적 기반인 K-replanner는 단순화된 위umps에서 $n=40$까지만 스케일링되었지만, 빔 추적은 $n>100$인 격자를 실시간으로 해결했으며, 이는 뚜렷한 성능 격차를 보였다.