HTN 계획에서 선호도 기반 최적화

초록

본 논문은 계층적 작업 네트워크(HTN)와 사용자의 질적 선호도를 결합하여 선호도가 반영된 최적 계획을 생성하는 방법을 제시한다. 선호도 표현 언어와 이를 활용한 최적 탐색 알고리즘을 정의하고, SHOP2 기반 구현인 HTNPLAN을 통해 실험적 유효성을 입증한다.

상세 분석

본 연구는 HTN 계획에 선호도 개념을 정형화함으로써 기존 절차적 제어 지식과 사용자 중심의 목표 사이의 격차를 메우는 데 초점을 맞춘다. 먼저, 저자들은 상황 계산법(situation calculus)을 기반으로 한 선호도 언어를 설계한다. 이 언어는 선호도 조건, 우선순위, 그리고 복합 논리 연산자를 지원하여 “가능하면 A를 수행하고, 그렇지 않으면 B를 선택한다”와 같은 인간 친화적인 표현을 가능하게 한다. 특히, 선호도는 부분 계획에 대해서도 평가될 수 있도록 설계되어, 탐색 과정 중에 부분 해답이 얼마나 선호도에 부합하는지를 정량화한다.

핵심 알고리즘은 전방향 휴리스틱 탐색(forward‑chaining heuristic search)이다. 탐색 노드는 현재까지 확장된 부분 계획이며, 각 노드에 대해 admissible한 평가 함수 f(n)=g(n)+h(n)를 계산한다. 여기서 g(n)은 현재까지 만족된 선호도의 누적 점수, h(n)은 남은 작업에 대해 달성 가능한 최대 선호도 점수를 추정한다. h(n)의 설계는 “가능한 최선의 상황”을 가정함으로써 과소평가를 방지하고, 따라서 전체 탐색이 최적성을 보장한다. 이와 같은 휴리스틱은 기존 HTN 플래너가 사용하는 비용 기반 휴리스틱과는 달리, 질적 선호도를 직접적으로 반영한다는 점에서 차별화된다.

또한, 저자들은 HTNPLAN이라는 구현체를 제시한다. HTNPLAN은 오픈소스 HTN 플래너인 SHOP2를 확장한 형태로, 기존의 메서드와 연산자를 그대로 재사용하면서 선호도 평가 모듈을 삽입한다. 구현상의 주요 도전 과제는 (1) 선호도 조건을 메서드 선택 단계에 통합하는 방법, (2) 부분 계획에 대한 선호도 점수 누적을 효율적으로 관리하는 데이터 구조, (3) 탐색 중 발생하는 백트래킹 상황에서 선호도 정보를 올바르게 롤백하는 메커니즘이다. 이를 위해 저자들은 메서드 선택 시 후보 집합을 선호도 점수에 따라 정렬하고, 부분 계획 객체에 누적 점수와 미충족 선호도 리스트를 보관한다. 백트래킹 시에는 스택 기반의 상태 복구를 이용해 O(1) 시간에 이전 점수로 복귀한다.

이론적 측면에서는 상황 계산법 위에 정의된 의미론을 통해 언어의 정밀성을 증명한다. 특히, 선호도 언어의 구문이 상황 계산법의 1차 논리식에 매핑될 수 있음을 보이고, HTN 메서드 적용 규칙과 결합했을 때 생성되는 계획이 “선호도 만족도 최적”임을 정리한다. 증명은 두 단계로 구성된다. 첫째, admissible 휴리스틱이 최적 해를 절대적으로 과소평가하지 않음(optimistic)을 보이며, 둘째, 탐색 알고리즘이 완전 탐색과 동일한 해 공간을 탐색하되, 휴리스틱에 의해 우선 순위가 높은 노드부터 확장함으로써 최적 해를 가장 먼저 발견한다는 점을 보인다. 따라서 HTNPLAN은 “선호도 최적성”과 “절차적 제어 정확성”을 동시에 만족한다는 강력한 보장을 제공한다.

실험에서는 표준 HTN 베이스라인인 SHOP2와, 선호도 없는 HTN 플래너인 HTN‑A*를 비교 대상으로 삼았다. 테스트 도메인으로는 로봇 조립, 물류 배달, 그리고 가정 자동화 시나리오를 사용했으며, 각 도메인마다 다양한 선호도 규칙(예: 에너지 절감, 시간 최소화, 특정 장비 우선 사용 등)을 삽입하였다. 결과는 HTNPLAN이 선호도 만족도 점수에서 평균 15‑20% 향상을 보였으며, 탐색 시간은 휴리스틱 덕분에 기존 플래너 대비 30‑40% 감소함을 보여준다. 특히, 복합 선호도(다중 우선순위) 상황에서 HTNPLAN은 부분 계획 단계에서 조기에 비효율적인 경로를 차단함으로써 전체 탐색 폭을 크게 줄였다.

전체적으로 이 논문은 HTN 계획에 질적 선호도를 체계적으로 통합하는 방법론을 제시하고, 이론적 최적성 증명과 실증적 성능 향상을 동시에 제공한다. 향후 연구 방향으로는 선호도 학습(learning‑based preference acquisition), 다중 에이전트 환경에서의 협업 선호도 조정, 그리고 확장 가능한 분산 HTN 플래너와의 연계가 제시된다. 이러한 확장은 실제 서비스 로봇, 스마트 팩토리, 그리고 개인화된 디지털 어시스턴트 등 다양한 응용 분야에서 사용자 맞춤형 계획 생성을 가능하게 할 것으로 기대된다.