본 논문은 PDDL로 기술된 다양한 상징적 계획 영역에서 강화 학습(RL)과 그래프 신경망(GNN)을 결합한 일반화된 계획에서 기존의 완전히 연결된 그래프 표현 방식의 한계를 지적하고, 이를 극복하기 위한 새로운 방법을 제시합니다. 기존 방법들은 문제 규모가 커짐에 따라, 특히 큰 격자 기반 환경에서 조합적 폭발과 희소성 문제를 야기하는 완전히 연결된 그래프로 계획 상태를 나타냅니다. 이러한 밀집 표현은 노드 수준 정보를 희석시키고 메모리 요구 사항을 기하급수적으로 증가시켜 대규모 문제에 대한 학습을 불가능하게 만듭니다. 본 논문에서는 관련된 지역적 관계를 선택적으로 인코딩하고 목표와 관련된 공간적 특징을 명시적으로 통합하는 희소하고 목표 인식 GNN 표현을 제안합니다. 격자 세계 내에서 PDDL 기반의 새로운 드론 임무 시나리오를 설계하여 제안된 방법을 검증하고, 실험 결과를 통해 제안된 방법이 기존의 밀집 그래프 표현으로는 불가능했던 더 큰 격자 크기에 효과적으로 확장되고 정책 일반화 및 성공률을 크게 향상시킴을 보여줍니다.
