[논문 리뷰] Scaling-up Generalized Planning as Heuristic Search with Landmarks

Javier Segovia‐Aguas, Sergio Jiménez외 2명|arXiv (Cornell University)|2022. 05. 10.

AI-based Problem Solving and Planning인용 수 4

한 줄 요약

이 논문은 일반화 계획(GP)을 위한 새로운 휴리스틱 탐색 알고리즘인 PGP(f_LM)을 소개한다. 이 알고리즘은 점진적 인스턴스 처리와 랜드마크 기반 휴리스틱을 결합하여, 계획 인스턴스에 명시적으로 포함되지 않은 부분 목표 정보를 활용함으로써 탐색 평탄화를 감소시키고 수렴 속도를 향상시킨다. 결과적으로 이는 속도와 해의 품질 면에서 기존 최고 수준의 방법들을 능가한다.

ABSTRACT

Landmarks are one of the most effective search heuristics for classical planning, but largely ignored in generalized planning. Generalized planning (GP) is usually addressed as a combinatorial search in a given space of algorithmic solutions, where candidate solutions are evaluated w.r.t.~the instances they solve. This type of solution evaluation ignores any sub-goal information that is not explicit in the representation of the planning instances, causing plateaus in the space of candidate generalized plans. Furthermore, node expansion in GP is a run-time bottleneck since it requires evaluating every child node over the entire batch of classical planning instances in a GP problem. In this paper we define a landmark counting heuristic for GP (that considers sub-goal information that is not explicitly represented in the planning instances), and a novel heuristic search algorithm for GP (that we call PGP) and that progressively processes subsets of the planning instances of a GP problem. Our two orthogonal contributions are analyzed in an ablation study, showing that both improve the state-of-the-art in GP as heuristic search, and that both benefit from each other when used in combination.

연구 동기 및 목표

• 계획 인스턴스에 명시적으로 표현되지 않은 부분 목표 정보를 忽시하는 휴리스틱 함수로 인해 발생하는 일반화 계획(GP)에서의 탐색 평탄화 문제를 해결하기 위해.
• 모든 후보 해를 전체 계획 인스턴스 배치에 대해 평가함으로써 발생하는 런타임 병목 현상을 줄이기 위해.
• 기존에 상태공간 탐색을 위해 개발된 고전적 계획 랜드마크 휴리스틱을 GP의 해 공간 탐색에 적응시키기 위해.
• 후보 계획을 인스턴스의 부분집합에 대해 점진적으로 평가하는 새로운 휴리스틱 탐색 알고리즘인 PGP를 설계하여 확장성과 탐색 효율성을 향상시키기 위해.

제안 방법

• 목표 조건에 명시되어 있지 않은 경우에도 도메인 표현으로부터 필수 행동과 상태 전이와 같은 부분 목표 정보를 추출할 수 있는 GP를 위한 랜드마크 수세기 휴리스틱(f_LM)을 제안한다.
• 모든 인스턴스를 한 번에 평가하는 대신 점진적으로 계획 인스턴스를 처리하는 PGP라는 휴리스틱 탐색 알고리즘을 도입하여, 노드 확장 비용을 감소시키고 조기 정체를 방지한다.
• 고전적 계획에서 유도된 랜드마크 그래프를 사용하여, 예를 들어 모든 복도 셀에 도달하거나 열쇠를 쥐는 것과 같이 어떤 유효한 해에 반드시 포함되어야 할 핵심 행동을 식별한다.
• PGP에서 랜드마크 휴리스틱 f_LM과 점진적 평가를 결합하여 계획 프로그램의 공간에서 탐색을 이끌어내며 수렴을 향상시키고 탐색 공간 탐색을 줄인다.
• f_LM 기반 우선순위를 갖는 베스트-퍼스트 탐색 전략을 사용하며, 정확성과 계산 비용을 균형 잡기 위해 동적 부분집합 처리를 적용한다.
• 고전적 계획 기법인 랜드마크 추상화와 허용성 완화를 GP 환경에 적응시켜, 검증된 휴리스틱을 해 공간 탐색으로 이식할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 고전적 계획에서 효과적인 랜드마크 기반 휴리스틱이 일반화 계획에서의 휴리스틱 탐색을 향상시키는 데 적응될 수 있는가?
• RQ2 후보 계획을 인스턴스의 부분집합에 대해 점진적으로 평가하는 방식이 GP에서 탐색 평탄화를 줄이고 확장성을 향상시키는가?
• RQ3 랜드마크 휴리스틱과 점진적 평가가 함께 사용될 경우 GP의 휴리스틱 탐색에서 상호작용은 어떻게 나타나는가?
• RQ4 랜드마크 휴리스틱과 점진적 처리를 결합하면 기존 최고 수준의 GP 방법을 얼마나 뛰어넘는가?

주요 결과

• 랜드마크 수세기 휴리스틱 f_LM은 목표 조건에 존재하지 않는 암묵적인 부분 목표 정보를 통합함으로써 탐색 평탄화를 크게 감소시킨다.
• PGP의 점진적 인스턴스 처리 방식은 노드 평가의 계산 비용을 감소시켜 전체 배치 평가 병목 현상을 피한다.
• 제거 실험 결과, f_LM과 PGP 각각이 BFGP(기존 GP의 최고 수준 휴리스틱 탐색 방법)를 뛰어넘는다.
• 결합 시 f_LM과 PGP는 상호보완적인 개선 효과를 나타내어, 개별 구성 요소보다 더 빠른 수렴 속도와 높은 해의 품질을 달성한다.
• 이 방법은 더 큰 계획 문제에 대해 효과적으로 확장 가능하며, 다양한 일반화 계획 벤치마크에서 뛰어난 안정성을 보였다.
• 이 접근법은 고전적 계획 기법인 랜드마크를 GP로 이식할 수 있게 하여, 유용한 행동이나 선호도 높은 연산자와 같은 다른 고전적 휴리스틱의 통합을 위한 길을 열어준다.