사례 기반 계획 시스템은 과거의 유사한 사례 계획들을 이용함으로써 새로운 문제를 위한 계획을 효율적으로 생성 할 수 있다. 하지만 대부분의 기존 사례 기반 계획 시스템들은 사례 검색 및 사례 일반화를 위한 제한적 기능들만을 제공할 뿐만 아니라, 계획 생성과정에 사용자의 참여를 허용하지 않는다. 본 논문에서 제안하는 JCBP 시스템은 효율적인 메모리 사용과 사례 검색을 위해 각 도메인의 동일한 작업 목표를 가진 사례들을 개별 사례 베이스로 그룹화하고, 이들에 대한 색인을 유지한다. 또 이 시스템은 문제모델로부터 자동으로 추출한 휴리스틱 지식을 사례 적응 단계에 이용하며, 목표 회귀를 통한 사례 일반화 기능도 제공한다. 또한 JCBP 시스템은 대화형 모드를 통한 혼합 주도 계획 생성 기능도 제공한다. 이와 같이 JCBP 시스템은 문제 해결을 위해 사용자의 기호와 지식을 이용함으로써 사용자의 요구를 더 잘 만족하는 해 계획을 생성할 수 있을 뿐 아니라 계획 생성의 복잡도도 줄일 수 있다.
사례 기반 계획 시스템은 과거의 유사한 사례 계획들을 이용함으로써 새로운 문제를 위한 계획을 효율적으로 생성 할 수 있다. 하지만 대부분의 기존 사례 기반 계획 시스템들은 사례 검색 및 사례 일반화를 위한 제한적 기능들만을 제공할 뿐만 아니라, 계획 생성과정에 사용자의 참여를 허용하지 않는다. 본 논문에서 제안하는 JCBP 시스템은 효율적인 메모리 사용과 사례 검색을 위해 각 도메인의 동일한 작업 목표를 가진 사례들을 개별 사례 베이스로 그룹화하고, 이들에 대한 색인을 유지한다. 또 이 시스템은 문제모델로부터 자동으로 추출한 휴리스틱 지식을 사례 적응 단계에 이용하며, 목표 회귀를 통한 사례 일반화 기능도 제공한다. 또한 JCBP 시스템은 대화형 모드를 통한 혼합 주도 계획 생성 기능도 제공한다. 이와 같이 JCBP 시스템은 문제 해결을 위해 사용자의 기호와 지식을 이용함으로써 사용자의 요구를 더 잘 만족하는 해 계획을 생성할 수 있을 뿐 아니라 계획 생성의 복잡도도 줄일 수 있다.
By using previous similar case plans, the case-based planning (CBP) systems can generate efficiently plans for new problems. However, most existing CBP systems show limited functionalities for case retrieval and case generalization. Moreover, they do not allow their users to participate in the proce...
By using previous similar case plans, the case-based planning (CBP) systems can generate efficiently plans for new problems. However, most existing CBP systems show limited functionalities for case retrieval and case generalization. Moreover, they do not allow their users to participate in the process of plan generation. To support efficient memory use and case retrieval, the proposed case-based planning system, JCBP, groups the set of cases sharing the same goal in each domain into individual case bases and maintains indexes to these individual case bases. The system applies the heuristic knowledge automatically extracted from the problem model to the case adaptation phase. It provides a sort of case generalization through goal regression. Also JCBP can operate in an interactive mode to support a mixed-initiative planning. Since it considers and utilizes user's preference and knowledge for solving the given planning problems, it can generate solution plans satisfying more user's needs and reduce the complexity of plan generation.
By using previous similar case plans, the case-based planning (CBP) systems can generate efficiently plans for new problems. However, most existing CBP systems show limited functionalities for case retrieval and case generalization. Moreover, they do not allow their users to participate in the process of plan generation. To support efficient memory use and case retrieval, the proposed case-based planning system, JCBP, groups the set of cases sharing the same goal in each domain into individual case bases and maintains indexes to these individual case bases. The system applies the heuristic knowledge automatically extracted from the problem model to the case adaptation phase. It provides a sort of case generalization through goal regression. Also JCBP can operate in an interactive mode to support a mixed-initiative planning. Since it considers and utilizes user's preference and knowledge for solving the given planning problems, it can generate solution plans satisfying more user's needs and reduce the complexity of plan generation.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 계획 수립 동안에 사용자의 선호도와 지식이 반영되지 못해 결과로 얻어진 해 계획들이 사용자의 요구를 충분히 만족하기 어렵다. 본 논문에서는 이러한 기존의 사례 기반 계획 시스템들이 가진 제한점들을 고려하여 계획 수립의 효율성을 높일 수 있는 새로운 사례 기반 계획 시스템인 JCBP 시스템의 설계와 구현에 대해 소개한다. 본 논문의 제 2장에서는 일반적인 사례 기반 계획의 순환구조와 기초 개념들을 소개하고, 제 3장에서는 JCBP 시스템의 전체 구조와 각 단계별 설계사항들을 설명한다.
하지만 일반적으로 사례 기반 계획 시스템의 경우, 계획에 이용되는 사례의 유사도에 따라 해 계획 생성에 소요되는 시간에 큰 차이를 보일 수 있다. 따라서 본 연구에서는 블록쌓기 계획 문제들을 대상으로 계획 생성에 이용되는 사례의 유사도를 달리하면서 소요 시간을 측정하는 실험을 추가적으로 수행해 보았다.
본 논문에서는 사례 기반 계획 생성 시스템인 JCBP 시스템의 설계와 구현에 대해 소개하였다. JCBP 시스템은 효율적인 메모리 사용과 사례 검색을 위해 도메인별로 동일한 작업 목표를 가진 사례들을 개별 사례 베이스로 그룹화하고, 이들에 대한 색인을 유지한다.
가설 설정
이 예는 사용자가 서비스 로봇에게 마실 물을 가져오기를 요구하자 로봇이 과거 사례 중 하나를 검색하여 이것을 확장함으로써 현재 상황에 맞는 작업계획을 수립하여 실행하는 것을 나타낸다. 과거 사례 중에는 실내가 밝을 때에 로봇이 탁자에 놓인 컵을 가지고 정수기의 물을 담아 사용자에게 성공적으로 가져다 준 경우가 있고, 현재의 상황은 그때와 달리 실내가 어두워 동일한 방식으로 서비스하기 위해서는 먼저 조명 스위치가 있는 곳으로 이동하여 조명 스위치를 켠 다음 탁자의 컵을 가지고 물을 담아 배달하는 것이 차이점이라고 가정한다. <그림 2>에서 점선은 과거의 사례 계획을 나타내며, (pickup robot tablearea cup table) ⟶ (carry robot cup tablearea purifierarea) ⟶ (fillWater robot cup purifier purifierarea) ⟶ (carry robot cup purifierarea userarea) ⟶ (give robot user cup userarea)과 같은 동작들의 시퀀스로 구성된다.
본 논문에서는 자동 계획 수립을 위한 도메인 명세는 술어 논리 조건(predicate logic condition)들의 집합과 이들을 이용해 정의되는 동작들의 집합으로 주어진다고 가정한다. 그리고 각 동작들은 표준 계획영역기술언어인 PDDL(Planning Domain Description Language)(McDermott, 1998) 2.
본 논문에서는 자동 계획 수립을 위한 도메인 명세는 술어 논리 조건(predicate logic condition)들의 집합과 이들을 이용해 정의되는 동작들의 집합으로 주어진다고 가정한다. 그리고 각 동작들은 표준 계획영역기술언어인 PDDL(Planning Domain Description Language)(McDermott, 1998) 2.1에 따라 전 조건과 효과로 표현된다고 가정한다. 예컨대, <그림 2>의 예에서 한 동작인 automove는 술어 논리 조건들을 이용하여 아래와 같이 정의된다고 가정한다.
제안 방법
각 사례는 사례 계획뿐만 아니라 계획 문제와 해당 도메인 정보도 함께 저장 관리되어야 검색과 재사용이 원활히 이루어 질 수 있다. 따라서 도메인과 작업 목표가 일치하는 사례들은 묶어 한꺼번에 사례 메모리에 저장하면서 이들이 공유하는 도메인 정보도 함께 사례 메모리에 보관하도록 설계하였다. 각 계획 도메인과 연관하여 해당 도메인의 이름(name)과 그 도메인을 표현하는데 쓰이는 논리 조건들의 집합(gConditions), 이들을 이용하여 정의한 동작들의 집합(gActions) 등의 도메인 정보를 사례 메모리에 저장한다.
따라서 도메인과 작업 목표가 일치하는 사례들은 묶어 한꺼번에 사례 메모리에 저장하면서 이들이 공유하는 도메인 정보도 함께 사례 메모리에 보관하도록 설계하였다. 각 계획 도메인과 연관하여 해당 도메인의 이름(name)과 그 도메인을 표현하는데 쓰이는 논리 조건들의 집합(gConditions), 이들을 이용하여 정의한 동작들의 집합(gActions) 등의 도메인 정보를 사례 메모리에 저장한다. 또 사례 메모리에는 이와 같은 도메인 정보 외에, 현재 사례 메모리에 올라와 있는 사례들이 공유하는 공통의 작업 목표 조건들도 함께 저장한다.
사례 검색은 먼저 현재 사례 메모리에 올라와 있는 사례 집합을 대상으로 이루어진다. 사례 메모리내의 사례들은 모두 도메인과 목표 조건들이 일치하는 사례들이므로, 개별 사례의 유사도를 계산하기에 앞서 먼저 메모리내의 도메인 정보와 목표 조건들을 검사하여 현재 문제와 일치여부를 조사 해본다. 이와 같은 과정을 통해 만약 사례 메모리내의 사례들이 해결하고자 하는 현재의 계획 문제와는 상이한 도메인 정보 혹은 목표 조건들을 갖거나, 주어진 임계치 이상의 유사도를 갖는 사례를 발견할 수 없는 경우에는 데이터베이스 관리기에 요청하여 사례 데이터베이스로부터 새로운 사례 집합들을 가져와 사례 메모리에 적재한 후 이들을 대상으로 검색 작업을 계속한다.
사례 검색(case retrieval)은 주어진 문제를 해결하기 위해서 기존의 사례들 중에서 현재 문제에 가장 유사한 사례를 선택하는 과정을 말한다. 사례 베이스가 작업 목표 조건들에 따라 다수의 개별 사례 베이스로 분할 저장되기 때문에 사례 검색 과정은 새로 주어진 계획 문제와 도메인 정보 및 목표 조건들이 일치하는 개별 사례 베이스를 먼저 찾은 뒤, 그 개별 사례 베이스에 속한 각 사례별로 유사도(similarity)를 평가하는 방식으로 진행된다. 먼저 새로운 계획 문제가 주어지면, 이 문제가 정의된 도메인과 현재 메모리 내의 도메인 정보와 일치 여부를 검사한다.
사례 베이스가 작업 목표 조건들에 따라 다수의 개별 사례 베이스로 분할 저장되기 때문에 사례 검색 과정은 새로 주어진 계획 문제와 도메인 정보 및 목표 조건들이 일치하는 개별 사례 베이스를 먼저 찾은 뒤, 그 개별 사례 베이스에 속한 각 사례별로 유사도(similarity)를 평가하는 방식으로 진행된다. 먼저 새로운 계획 문제가 주어지면, 이 문제가 정의된 도메인과 현재 메모리 내의 도메인 정보와 일치 여부를 검사한다. 만약 도메인이 일치한다면, 현재 메모리에 올라와 있는 개별 사례 베이스의 작업 목표 조건이 새로운 계획 문제의 작업 목표 조건과 일치하는지를 검사한다.
이 알고리즘은 주어진 사례의 목표 조건들의 집합 G에서 출발하여, 계획[a1, a2, ···, an]에 포함된 각 동작의 효과를 차례대로 되돌려 놓음으로써 목표 조건들을 달성하기 위해 꼭 필요한 초기 조건들을 구한다.
이 알고리즘은 주어진 사례의 목표 조건들의 집합 G에서 출발하여, 계획[a1, a2, ···, an]에 포함된 각 동작의 효과를 차례대로 되돌려 놓음으로써 목표 조건들을 달성하기 위해 꼭 필요한 초기 조건들을 구한다. 먼저 목표 조건 집합 G에서 계획의 마지막 동작 an의 실행효과를 되돌려 놓기 위해, 긍정적 효과인 Eai+에 포함된 조건들은 모두 삭제하고 대신 부정적 효과인 Eai-와 전 조건(precondition) Cai에 포함된 조건들은 모두 추가한다. 마지막 동작에서 시작하여 역방향으로 계획에 포함된 모든 동작에 대해 이와 같은 회귀 과정을 거친 후 마지막에 얻는 결과 집합인 I를 필수 초기 조건들로 반환한다.
JCBP 시스템의 효율성과 계획의 품질을 평가하기 위해 몇 가지 도메인과 계획 문제를 이용한 실험을 전개하였다. 사례 기반 계획 시스템인 JCBP의 효율성을 평가하기 위해서는 계획 문제를 해결하는데 소요된 시간을 측정하여 생성적 계획기(generative planner)의 경우와 비교하였다.
JCBP 시스템의 효율성과 계획의 품질을 평가하기 위해 몇 가지 도메인과 계획 문제를 이용한 실험을 전개하였다. 사례 기반 계획 시스템인 JCBP의 효율성을 평가하기 위해서는 계획 문제를 해결하는데 소요된 시간을 측정하여 생성적 계획기(generative planner)의 경우와 비교하였다. 또, 계획의 품질 면에서 JCBP를 평가하기 위해서는 해 계획의 길이를 측정하여 생성적 계획기와 비교하였다.
사례 기반 계획 시스템인 JCBP의 효율성을 평가하기 위해서는 계획 문제를 해결하는데 소요된 시간을 측정하여 생성적 계획기(generative planner)의 경우와 비교하였다. 또, 계획의 품질 면에서 JCBP를 평가하기 위해서는 해 계획의 길이를 측정하여 생성적 계획기와 비교하였다. 실험에 사용된 계획 도메인은 블록쌓기(blockworld), T-Robot, I-Robot 등 서로 다른 3가지 도메인들이며, 각 도메인별로 임의로 생성한 10가지 계획 문제들을 풀어 사례 베이스를 구축한 뒤, 다시 각 도메인별로 난이도가 다른 3가지 계획 문제들을 생성하여 이들을 사례 베이스를 이용해 풀어 보았다.
또, 계획의 품질 면에서 JCBP를 평가하기 위해서는 해 계획의 길이를 측정하여 생성적 계획기와 비교하였다. 실험에 사용된 계획 도메인은 블록쌓기(blockworld), T-Robot, I-Robot 등 서로 다른 3가지 도메인들이며, 각 도메인별로 임의로 생성한 10가지 계획 문제들을 풀어 사례 베이스를 구축한 뒤, 다시 각 도메인별로 난이도가 다른 3가지 계획 문제들을 생성하여 이들을 사례 베이스를 이용해 풀어 보았다.
JCBP 시스템은 효율적인 메모리 사용과 사례 검색을 위해 도메인별로 동일한 작업 목표를 가진 사례들을 개별 사례 베이스로 그룹화하고, 이들에 대한 색인을 유지한다. 또 이 시스템은 휴리스틱 지식을 이용하는 효율적인 생성적 적응 방법을 사례 적응 단계에 적용하며, 목표 회귀를 통한 사례 일반화 기능도 제공한다. 또한 JCBP 시스템은 대화형 모드를 통해 사용자의 지식과 기호를 계획 생성 과정에 반영함으로써 사용자의 요구를 더 잘 만족하는 해 계획을 생성할 수 있을 뿐 아니라 계획 생성의 복잡도도 줄일 수 있다.
대상 데이터
유사도는 주로 현재 문제와 과거 사례 문제를 구성하는 초기 조건들과 목표 조건들의 일치도를 검사하여 결정된다. 사례 검색은 먼저 현재 사례 메모리에 올라와 있는 사례 집합을 대상으로 이루어진다. 사례 메모리내의 사례들은 모두 도메인과 목표 조건들이 일치하는 사례들이므로, 개별 사례의 유사도를 계산하기에 앞서 먼저 메모리내의 도메인 정보와 목표 조건들을 검사하여 현재 문제와 일치여부를 조사 해본다.
이론/모형
이와 같은 과정을 통해 일단 메모리에 도메인과 목표 조건들이 일치하는 개별 사례 베이스가 놓여 있음이 확인되면, 개별 사례 베이스 내의 각 사례별로 초기 조건들을 중심으로 새로운 계획 문제와의 유사도를 계산한다. 본 시스템은 유사성 척도로 CMR(Condition Match Ratio)을 정의하고, 이것을 사례 검색에 사용한다. CMR은 식 (1)과 같이 새로운 계획 문제와 사례의 초기 조건들이 얼마나 일치하는지를 측정하여 유사도를 계산한다.
JCBP 시스템에서 사용하는 휴리스틱 탐색 계획 알고리즘은 대표적인 지역 탐색 알고리즘인 언덕 오르기(hill-climbing)를 개선한 EHC+ 알고리즘이다. 또한 이 계획 알고리즘에서는 탐색의 효율을 높이기 위해 문제의 명세로부터 자동으로 추출하는 휴리스틱 정보를 이용한다. 그리고 이 알고리즘에서는 휴리스틱 자동 추출을 위해 특수한 자료구조인 간략화한 계획 그래프(relaxed planning graph)를 이용한다.
또한 이 계획 알고리즘에서는 탐색의 효율을 높이기 위해 문제의 명세로부터 자동으로 추출하는 휴리스틱 정보를 이용한다. 그리고 이 알고리즘에서는 휴리스틱 자동 추출을 위해 특수한 자료구조인 간략화한 계획 그래프(relaxed planning graph)를 이용한다. Graphplan 계획기[13]를 통해 처음 소개된 계획 그래프는 상태 공간상의 한 상태에서 목표 상태까지 도달성 휴리스틱(reachability heuristic)을 손쉽게 계산할 수 있는 자료구조이다[14].
JCBP 시스템에서는 이들과는 달리 새로운 사례의 초기 조건들 중 필수 조건들은 남기고 나머지 불필요한 조건들을 제거함으로써 사례를 일반화한다. 사례의 필수 초기 조건들을 구하기 위해 JCBP 시스템에서는 목표 회귀(goal regression) 방법을 사용한다.
성능/효과
첫 번째, 몇몇 영역 의존적인 시스템들을 제외하고는 많은 영역 독립적인 사례 기반 계획 시스템들에서는 시스템의 성능에 큰 영향을 미치는 사례 분류와 색인 메커니즘의 효율성이 높지 않다. 두 번째, 인공지능 자동 계획 커뮤니티에서 개발된 많은 사례 기반 계획 시스템들은 관계형 데이터베이스 시스템에 대한 연동과 같은 대용량의 사례 베이스 저장을 위한 지원 기능이 미흡하다. 세 번째, 그동안 다양한 사례 일반화 방법들이 기존 시스템들에서 시도되어 왔으나 사례 계획의 적용 전 조건에 대한 일반화는 충분히 연구되지 못하였다.
세 번째, 그동안 다양한 사례 일반화 방법들이 기존 시스템들에서 시도되어 왔으나 사례 계획의 적용 전 조건에 대한 일반화는 충분히 연구되지 못하였다. 마지막으로, 기존 시스템들의 가장 중요한 제한점은 사례 기반 계획 수립 과정에 사용자 참여 지원 기능이 없다는 점이다. 따라서 계획 수립 동안에 사용자의 선호도와 지식이 반영되지 못해 결과로 얻어진 해 계획들이 사용자의 요구를 충분히 만족하기 어렵다.
목표 회귀를 통해 사례의 필수 초기 조건들이 구해지면 이들만 남기고 나머지 초기 조건들은 모두 삭제하여 사례를 일반화한다. 이러한 사례 일반화는 각 사례의 적용 범위를 넓혀주고, 불필요한 초기 조건들의 차이로 인해 수많은 사례들을 각기 따로 저장해야하는 문제를 해결할 수 있고, 그 결과 사례 베이스를 저장하기 위해 필요한 전체 메모리의 양을 줄일 수 있다. 이로 인해 사례 검색의 효율성도 증대될 수 있다.
모든 계획 문제들에서 JCBP 시스템의 소요 시간이 생성적 계획기의 소요 시간보다 훨씬 짧다는 것을 확인할 수 있다. 이것은 새로운 계획 문제의 해결을 위해 유사한 사례들을 이용하는 사례 기반 계획 시스템인 JCBP가 매번 처음부터 새롭게 계획 생성과정을 거치는 생성적 계획기보다 매우 효율적임을 입증하는 것이다.
이것은 새로운 계획 문제의 해결을 위해 유사한 사례들을 이용하는 사례 기반 계획 시스템인 JCBP가 매번 처음부터 새롭게 계획 생성과정을 거치는 생성적 계획기보다 매우 효율적임을 입증하는 것이다. 또한 JCBP 시스템의 사례 적응에 소요된 시간과 전 과정에 소요된 시간을 비교해보면 큰 차이가 나지 않았다는 것을 알 수 있다. 이것은 JCBP 시스템의 독특한 사례 분류와 저장, 그리고 검색 기능이 사례 기반 계획 전 과정에 매우 효과적이었음을 암시하는 것이다.
이것은 JCBP 시스템의 독특한 사례 분류와 저장, 그리고 검색 기능이 사례 기반 계획 전 과정에 매우 효과적이었음을 암시하는 것이다. 실험에 사용된 도메인 중에서는 I-Robot 도메인에서 JCBP 시스템의 소요 시간과 생성적 계획기의 소요 시간간의 차이가 가장 크게 나타났다. 하지만 일반적으로 사례 기반 계획 시스템의 경우, 계획에 이용되는 사례의 유사도에 따라 해 계획 생성에 소요되는 시간에 큰 차이를 보일 수 있다.
생성적 계획기는 사례를 이용하지 않기 때문에 동일한 소요 시간을 보여주고 있으나, JCBP 시스템은 이용하는 사례의 유사도에 따라 소요 시간에 큰 차이를 보인다. 새로운 계획 문제 해결에 이용하는 사례의 유사도가 높을수록 JCBP의 사례 적응과 사례 기반 계획 전 과정에 소요된 시간 모두가 크게 감소하는 것을 알 수 있다. 따라서 이러한 실험 결과를 통해 사례 검색 단계의 결과가 사례 기반 계획 전 과정의 성능에 미치는 영향을 다시 확인 할 수 있었다.
새로운 계획 문제 해결에 이용하는 사례의 유사도가 높을수록 JCBP의 사례 적응과 사례 기반 계획 전 과정에 소요된 시간 모두가 크게 감소하는 것을 알 수 있다. 따라서 이러한 실험 결과를 통해 사례 검색 단계의 결과가 사례 기반 계획 전 과정의 성능에 미치는 영향을 다시 확인 할 수 있었다.
<표 5>는 서로 다른 계획 문제들에 대해 JCBP 시스템이 구한 해 계획의 길이를 나타내고 있다. 최적 해의 길이와 비교를 해보면, JCBP 시스템은 대부분의 문제에 대해 최적 해를 구하지는 못한 것으로 나타났다. 이러한 현상은 부분적으로는 현재 JCBP 시스템의 사례 적응 방식에 기인하는 것으로 파악된다.
후속연구
두 번째, 인공지능 자동 계획 커뮤니티에서 개발된 많은 사례 기반 계획 시스템들은 관계형 데이터베이스 시스템에 대한 연동과 같은 대용량의 사례 베이스 저장을 위한 지원 기능이 미흡하다. 세 번째, 그동안 다양한 사례 일반화 방법들이 기존 시스템들에서 시도되어 왔으나 사례 계획의 적용 전 조건에 대한 일반화는 충분히 연구되지 못하였다. 마지막으로, 기존 시스템들의 가장 중요한 제한점은 사례 기반 계획 수립 과정에 사용자 참여 지원 기능이 없다는 점이다.
또한 JCBP 시스템은 대화형 모드를 통해 사용자의 지식과 기호를 계획 생성 과정에 반영함으로써 사용자의 요구를 더 잘 만족하는 해 계획을 생성할 수 있을 뿐 아니라 계획 생성의 복잡도도 줄일 수 있다. 하지만 해 계획의 최적성을 보장하기 위해서는 기존의 사례 계획 부분도 새로운 계획 문제에 맞추어 삭제 및 변경을 허용하는 보다 유연한 사례 적응 알고리즘에 대한 향후 연구가 필요할 것으로 판단한다.
질의응답
핵심어
질문
논문에서 추출한 답변
기존의 생성적 계획 시스템은 문제 해결에 있어 어떤 한계점을 지니고 있는가?
하지만 기존의 생성적 계획 시스템(generative planning system)은 문제 해결에 있어서 몇 가지 한계점을 지니고 있다(Ghallab, 2004). 우선 복잡도가 높은 다양한 실세계 계획 문제를 실시간으로 해결하기 에는 아직도 생성적 계획 시스템들의 성능이 충분치 않다. 또한, 많은 기존의 생성적 계획 시스템들은 매번 계획 문제가 발생할 때마다 처음부터 새로 계획을 수립해야 하기 때문에, 동일한 환경에서 빈번히 발생하는 유사한 계획 문제들에 효과적으로 대응하기 어렵다.
자동 계획 시스템의 응용은 어떤 분야들에 걸쳐 증대되고 있는가?
최근 들어 지능 로봇이나 무인 우주 탐사선의 작업제어, 컴퓨터 게임이나 가상현실에서 자율 캐릭터의 행동제어, 공장이나 사무실에서 워크플로우 프로세스의 자동생성 등 다양한 분야에 걸쳐 자동 계획 시스템의 응용이 증대되고 있다. 하지만 기존의 생성적 계획 시스템(generative planning system)은 문제 해결에 있어서 몇 가지 한계점을 지니고 있다(Ghallab, 2004).
기존의 사례 기반 계획 시스템은 어떤 제한점들을 가지고 있는가?
하지만 기존의 사례 기반 계획 시스템은 다음과 같은 몇 가지 제한점들을 가지고 있다. 첫 번째, 몇몇 영역 의존적인 시스템들을 제외하고는 많은 영역 독립적인 사례 기반 계획 시스템들에서는 시스템의 성능에 큰 영향을 미치는 사례 분류와 색인 메커니즘의 효율성이 높지 않다. 두 번째, 인공지능 자동 계획 커뮤니티에서 개발된 많은 사례 기반 계획 시스템들은 관계형 데이터베이스 시스템에 대한 연동과 같은 대용량의 사례 베이스 저장을 위한 지원 기능이 미흡하다. 세 번째, 그동안 다양한 사례 일반화 방법들이 기존 시스템들에서 시도되어 왔으나 사례 계획의 적용 전 조건에 대한 일반화는 충분히 연구되지 못하였다. 마지막으로, 기존 시스템들의 가장 중요한 제한점은 사례 기반 계획 수립 과정에 사용자 참여 지원 기능이 없다는 점이다. 따라서 계획 수립 동안에 사용자의 선호도와 지식이 반영되지 못해 결과로 얻어진 해 계획들이 사용자의 요구를 충분히 만족하기 어렵다.
이 논문을 인용한 문헌
저자의 다른 논문 :
연구과제 타임라인
LOADING...
LOADING...
LOADING...
LOADING...
LOADING...
활용도 분석정보
상세보기
다운로드
내보내기
활용도 Top5 논문
해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다. 더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.