본 논문은 강화학습(RL)에서 복잡하고 시간적으로 긴 작업 목표와 안전 제약 조건을 일반화하는 문제를 해결하기 위해, 선형 시간 논리(LTL)를 활용한 새로운 방법인 GenZ-LTL을 제안합니다. GenZ-LTL은 LTL 사양을 도달-회피 하위 목표의 시퀀스로 분해하는 Büchi 오토마타의 구조를 활용하여 임의의 LTL 사양에 대한 제로샷 일반화를 가능하게 합니다. 기존 방법과 달리, 하위 목표 시퀀스를 조건으로 하는 대신, 안전한 RL 공식을 통해 각 하위 목표를 하나씩 해결하여 제로샷 일반화를 달성합니다. 또한, 새로운 하위 목표 유도 관찰 감소 기법을 도입하여 현실적인 가정 하에서 하위 목표-상태 조합의 지수적 복잡성을 완화합니다. 실험 결과, GenZ-LTL은 기존 방법보다 미지의 LTL 사양에 대한 제로샷 일반화 성능이 훨씬 뛰어남을 보여줍니다.
