로봇 팀 행동 분석을 위한 관계형 순차 패턴 마이닝

초록

본 논문은 다중 로봇 시스템에서 관찰된 원시 데이터를 관계형 시퀀스로 변환하고, 이를 기반으로 빈번한 행동 패턴을 추출하여 팀 협업 정도를 정량화한다. RoboCup 4족 로봇 리그의 두 팀을 대상으로 사례 기반 추론(CBR) 방식과 순수 반응형 방식의 행동 차이를 비교 실험하였다.

상세 분석

본 연구는 다중 에이전트 시스템의 행동을 외부 관측만으로 자동적으로 학습하는 문제에 초점을 맞추었다. 기존의 행동 인식 방법은 주로 개별 에이전트의 상태 변화를 시계열로 다루었지만, 팀 수준의 협업을 포착하기 위해서는 에이전트 간의 관계와 상호작용을 동시에 고려해야 한다는 점을 강조한다. 이를 위해 저자들은 원시 센서 데이터와 로봇 간 통신 로그를 “관계형 시퀀스”라는 형태로 변환하였다. 구체적으로, 각 시간 단계에서 발생한 사건을 1차 논리 원자(predicate) 형태로 표현하고, 사건 간의 시간적 순서를 유지하면서도 에이전트 식별자와 위치, 역할 등 메타 정보를 포함시켰다. 이러한 표현은 전통적인 시퀀스 마이닝 기법이 다루기 어려운 고차원 구조를 자연스럽게 모델링한다는 장점이 있다.

다음 단계에서는 관계형 시퀀스 집합에서 빈번한 패턴을 추출하기 위해 관계형 학습 알고리즘인 “Relational Sequential Pattern Mining”(RSPM)을 적용하였다. RSPM은 전통적인 Apriori 기반 방법을 확장하여, 원자 간의 변수 바인딩과 논리적 제약을 고려하면서 지원도(support)를 계산한다. 특히, 변수 공유를 통해 서로 다른 로봇이 수행한 유사 행동을 하나의 패턴으로 일반화함으로써 팀 전체의 협업 양상을 포착한다.

실험에서는 RoboCup 4족 리그 환경에서 두 팀을 비교하였다. 첫 번째 팀은 사례 기반 추론(CBR) 모듈을 사용해 과거 경기 상황을 매칭하고 전략을 선택하는 반면, 두 번째 팀은 센서 입력에 즉각 반응하는 순수 반응형 정책을 구사한다. 수집된 데이터는 30분 경기 동안 10,000개 이상의 사건으로 구성되었으며, RSPM을 통해 각각 1,200개와 950개의 빈번 패턴이 도출되었다. 패턴 분석 결과, CBR 팀은 “공격 전환 → 포메이션 재배치 → 골 시도”와 같은 복합적인 전술 흐름을 보였으며, 반응형 팀은 “볼 감지 → 급진적 이동 → 충돌 회피”와 같은 단순 반복 행동이 주를 이뤘다. 또한, 지원도와 신뢰도(confidence) 지표를 활용해 두 팀의 협업 효율성을 정량화했을 때, CBR 팀이 평균 0.78의 높은 협업 점수를 기록한 반면, 반응형 팀은 0.54에 머물렀다.

이러한 결과는 관계형 시퀀스와 빈번 패턴 마이닝이 팀 수준의 전략적 차이를 드러내는 데 효과적임을 입증한다. 특히, 변수 바인딩을 통한 일반화와 논리적 제약 조건의 적용이 다중 로봇 시스템에서 복잡한 상호작용을 간결히 표현하고, 자동화된 행동 비교를 가능하게 한다는 점이 주목할 만하다. 향후 연구에서는 실시간 스트리밍 데이터에 RSPM을 적용해 온라인 행동 감시와 적응형 팀 제어에 활용하는 방안을 제시한다.