Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
불확실한 도메인에서 에이전트의 센싱 능력을 최적화하는 관찰 인지 계획(Observation-aware Planning) 연구를 소개합니다. POMDP 모델을 기반으로 센서 선택 및 위치 관측 가능성 문제를 해결하기 위한 새로운 (부)기호적 기법을 제안합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기불확실한 도메인 (Uncertain domains)에서 에이전트에게 어떤 감지 능력 (Sensing capabilities)을 배치할지 결정하는 것은, 작업 달성 가능성 (Task achievability)과 하드웨어 및 처리 비용 사이의 균형을 맞추어야 하는 근본적인 공학적 과제입니다. 이 문제는 의사결정을 위한 잘 알려진 부분 관측 마르코프 결정 과정 (Partially Observable Markov Decision Process, POMDP) 모델을 기반으로, 이전에 최적 관측 가능성 문제 (Optimal Observability Problem, OOP)로 공식화되었습니다. 본 연구는 OOP의 결정 가능한 파편들, 즉 센서 선택 문제 (Sensor Selection Problem, SSP)와 위치 관측 가능성 문제 (Positional Observability Problem, POP)의 해결을 확장하기 위한 (부)기호적 (sub-symbolic) 기법들을 연구합니다. 매개변수 합성 (Parameter synthesis)에 기반한 기존 접근 방식을 개선하는 것 외에도, 우리는 POMDP의 분해 (Decomposition)를 통해 합리적인 관찰 함수 (Observation functions)를 식별하는 새로운 해결 방법을 개발하였으며, 이를 통해 인스턴스 크기와 실행 시간 측면에서 각각 3배와 5배의 성능 향상을 달성했습니다.