Metro-WM: 실제 상태 기반 장거리 목표 계획 프레임워크
Metro-WM: Long-Horizon Latent Planning with Realisable Sub-Goals
arXiv기존의 장거리 목표 계획기는 중간 단계에서 물리적으로 불가능한 가상 목표를 생성하는 한계가 있었습니다. Metro-WM은 이 문제를 해결하기 위해 과거 경험에서 실제 상태를 검색하여 하위 목표를 설정하는 계층적 프레임워크입니다.
- Metro-WM은 관찰된 프레임을 노드로 하는 그래프를 구축해 경로를 계획하며, 실행 오류에 매우 강하고 기존 최고 성능 대비 성공률이 높습니다. 또한 계산 속도와 필요한 오프라인 연산량도 획기적으로 줄였습니다.
- 로봇 공학이나 자율 주행처럼 장기간의 복잡한 목표 달성이 필수적인 분야에 큰 진전을 가져올 수 있습니다. 실제 환경에서 발생하는 예기치 않은 오류에도 안정적으로 대응할 기반을 마련했습니다.
- Metro-WM은 과거 전문가 시연 데이터나 무작위 행동 궤적 등 '관찰된 경험'에 의존하여 작동합니다. 따라서 시스템이 처리하는 학습 데이터의 질과 범위가 최종 성능 결정에 중요한 요소입니다.
기존의 모델 예측 제어(MPC)를 활용한 플래너는 단기적인 목표 달성에는 효과적이지만, 장거리 계획에서는 한계가 있습니다. 계층적 확장 방식은 중간 잠재 하위 목표를 예측하여 마이크로 플래너를 안내하려 했으나, 연구진은 이러한 비제약적 잠재 하위 목표 예측이 근본적으로 결함이며, 기존 최고 성능의 매크로 플래너조차 물리적으로 실현 불가능한 하위 목표를 생성한다는 것을 밝혀냈습니다. 이를 해결하기 위해 Metro-WM은 추상적인 벡터 생성을 대신하여 과거 경험에서 실제 상태를 검색하는 계층적 프레임워크를 도입했습니다.
Metro-WM은 관찰된 전문가 시연 데이터나 무작위 행동 궤적 등 과거 경험에서 얻은 프레임을 정점(vertices)으로 하는 그래프를 구축합니다. 이 구조는 서로 다른 에피소드의 프레임들을 연결하고 목표 경로로 이어 붙일 수 있게 합니다. 또한, 전체 그래프에 걸쳐 계획을 수행하기 때문에 마이크로 플래너가 경로를 벗어나더라도 Metro-WM이 현재 상태에서 새로운 최적의 경로를 즉시 찾아낼 만큼 실행 오류에 매우 강합니다.
실험 결과, Metro-WM은 기존 최고 성능의 계층적 접근 방식보다 최대 37.33 퍼센트 포인트 높은 장거리 성공률을 달성했습니다. 이와 동시에 속도는 최대 10.9배 빠르며, 오프라인 컴퓨팅 요구량과 조정해야 할 하이퍼가 각각 13-56배 적게 필요하다는 점도 입증되었습니다. 추가 분석에 따르면 Metro-WM은 오프라인 시연보다 더 짧은 경로를 찾았으며, 데이터셋 조건이 극도로 희소할 때에도 안정적인 성능을 유지했습니다.
용어 풀이
- 파라미터
- 모델이 학습하면서 조정한 내부 숫자. 개수가 많을수록 대체로 모델이 크고 무거워요.