행동 트리 기반 분리형 여행 계획 (Behavior Forest)

여행 계획과 같은 복잡한 다중 제약 조건(multi-constraint)을 가진 작업은 본질적으로 여러 하위 작업(subtasks)이 상호 의존적이며, 각 단계가 국소적인 제약뿐 아니라 전체 과정을 아우르는 전역적인 제약(global constraints)의 영향을 받습니다. 기존의 계획 방법론들은 이러한 모든 하위 작업과 제약을 단일 결정 공간(single decision space)에 묶어 처리하는 경향이 있습니다. 이로 인해 모델은 매 결정 단계마다 국소적 제약과 전역적 제약을 동시에 추론해야 하는 부담을 지게 되어, 전체적인 추론 부하가 증가하고 계획 효율성이 떨어지는 문제가 발생합니다.

이를 해결하기 위해 본 논문에서는 Behavior Forest라는 새로운 접근 방식을 제안합니다. 이 방법은 복잡한 의사결정 과정을 여러 개의 병렬 행동 트리(behavior trees)로 구조화하여, 각 트리가 독립적인 하위 작업에 책임을 지도록 합니다. 이러한 모듈식 설계는 계획의 일관성을 유지하면서도 과도한 추론 부담을 줄여줍니다.

핵심적으로, 이 프레임워크 내에서 대규모 언어 모델(LLM)은 행동 트리 노드 안에 의사결정 엔진으로 임베딩됩니다. LLM은 작업별 제약 조건에 맞춰 국소적인 추론을 수행하여 후보 하위 계획(candidate subplans)을 생성하며, 동시에 전역 조정 메커니즘(global coordination mechanism)의 피드백에 따라 결정을 수정합니다. 행동 트리는 이러한 LLM의 생성을 안내하는 명시적 통제 구조(explicit control structure) 역할을 합니다.

결과적으로, Behavior Forest는 복잡한 작업과 제약 조건을 관리 가능한 하위 공간으로 분리(decouples)함으로써, 각 작업에 특화된 추론을 가능하게 하고 LLM의 인지 부하(cognitive load)를 크게 줄입니다. 실험 결과에 따르면, 이 방법은 TravelPlanner 벤치마크에서 기존 최신 기술 대비 6.67%, ChinaTravel 벤치마크에서는 11.82%라는 높은 성능 향상을 보여주며, 복잡한 다중 제약 조건 여행 계획에서의 LLM 성능을 크게 끌어올릴 수 있음을 입증했습니다.