협업 로봇 군집을 위한 모듈형 강화학습

요약

본 논문은 공통 목표를 공유하지만 상호작용 범위가 제한적인 협업 로봇 군집을 위한 다중 에이전트 강화학습(MARL) 문제를 다룹니다. 기존의 접근 방식은 모든 가능한 조합적 상태를 표현해야 하므로 메모리 한계에 직면합니다. 이에 본 논문은 상태 공간 상호작용을 효율적으로 표현하기 위해 모듈형(분해된) 표현 방식을 제안하며, 각 특징을 독립적으로 학습하고 결과를 집계하여 이 문제를 해결하는 방법을 제시했습니다.

핵심 포인트

• 협업 로봇 군집은 공통 목표를 가지지만 개별 상호작용의 전체 유틸리티 파악이 어려운 환경입니다.
• 기존 MARL 방식은 모든 가능한 조합적 상태를 표현해야 하므로 메모리 및 계산 능력에 한계가 있습니다.
• 제안된 모듈형(분해된) 접근법은 상태 공간 상호작용을 여러 독립적인 특징으로 분해하여 학습 효율성을 높입니다.
• 이 방법론은 포식(foraging) 시뮬레이션 로봇 군집 실험을 통해 그 효용성이 입증되었습니다.