다중 에이전트 경로 탐색, 반복적 의도 정제로 충돌 해결
원제 Decentralized Master-Mind: Joint Action Refinement through Iterative Intent Denoising in Multi-Agent Pathfinding
추천 51댓글 2
Key Point
분산형 다중 에이전트 시스템에서 각 에이전트가 독립적으로 결정할 때 발생하는 조정 실패를 반복적 정제로 해결하는 새로운 방식으로, 경로 탐색 성능 한계를 크게 개선한다.
핵심 요약
- 다중 에이전트 경로 탐색(MAPF)에서 에이전트들이 독립적으로 행동을 샘플링할 때, 각 에이전트의 선택은 타당해도 결합하면 충돌하는 문제가 발생한다.
- DMM(Decentralized Master-Mind)은 일회성 샘플링 대신 확산 모델의 노이징 제거에서 영감을 얻은 반복적 의도 정제 방식을 제안한다.
- 에이전트들이 무작위 행동 의도로 시작해 통신을 통해 지역적으로 선택을 조정한 뒤 최종 결정을 내린다.
- DMM은 전문가 데이터로 모방 학습 사전학습 후, 다중 라운드 행동 정제용 무비평 그룹 상대 강화학습(MICPO)으로 최적화된다.
- MovingAI 1,600개 작업에서 MICPO로 미세조정한 DMM은 1,598개를 해결해 평가 방법 중 최고 성공률을 기록했다.
- 해결 비용은 최강 기준 방법들과 비슷한 수준이며, 장애물 많은 환경에서 100만 개 이상의 동시 에이전트로 확장 가능하다.