인식과 계획을 통합한 미분 가능한 신경-기호 프레임워크
A Fully Differentiable Neuro-Soft-Symbolic Framework for Perceptual Task Planning
arXiv기존의 인식-계획 분리 문제를 해결하기 위해, 시각적 인지와 논리 계획을 하나의 계산 그래프로 통합한 미분 가능한 신경-소프트-기호 프레임워크를 제시했습니다.
- 이 프레임워크는 연속적인 소프트 기호 상태를 유지하며, 계획 목표에서 얻은 기울기가 인식 모듈을 업데이트하여 환경에 최적화된 인지 표현을 학습합니다.
- 블록월드 테스트에서 높은 성능을 보였으며, 특히 인식 불확실성을 고려했을 때 성공률을 59%에서 83%로 크게 향상시켜 강건함을 입증했습니다.
- 작업 계획뿐 아니라 실제 로봇 동작 시뮬레이션까지 확장하여, 추론된 논리적 계획이 물리적인 실행 단계와도 완벽하게 호환됨을 검증했습니다.
전통적인 인식 기반 작업 계획 방식은 시각적 인지 결과를 이산적인 기호 사실로 변환하여 사용하고, 이 과정에서 발생하는 인지적 불확실성을 무시하며 작업 수준의 피드백을 차단하는 문제가 있었습니다. 본 연구는 이러한 한계를 극복하기 위해, 시각적 인식과 작업 계획을 단일 계산 그래프 내에서 연결한 범용적인 미분 가능한 신경-소프트-기호 프레임워크를 제시합니다.
이 프레임워크는 연속적인 소프트 기호 상태를 유지하며, 도메인 규칙을 미분 가능한 소프트-$T_P$ 전이 연산자로 끌어올립니다. 또한, 계획 목표에서 발생하는 기울기를 활용하여 인식 모듈의 를 업데이트할 수 있게 함으로써, 계획 과정 중에 작업과 관련된 인지 표현을 지속적으로 정제하고 최적화합니다.
블록월드 환경에서의 테스트 결과, 본 방법은 LatPlan-40 태스크를 40/40으로 해결했으며 PlanBench-600 태스크에서는 596/600의 성공률을 보였습니다. 특히 인식 불확실성을 고려했을 때 성공률이 59%에서 83%로 향상된 강건함을 입증했습니다. 나아가 블록월드 장면에서의 작업 및 동작 시뮬레이션을 통해, 추론된 논리적 계획이 실제 로봇의 운동 실행 단계와도 호환됨을 검증하였습니다.
용어 풀이
- 매개변수
- 모델이 학습하면서 조정한 내부 숫자. 개수가 많을수록 대체로 모델이 크고 무거워요.