# One Subgoal at a Time: Zero-Shot Generalization to Arbitrary Linear Temporal Logic Requirements in Multi-Task Reinforcement Learning

### 저자

Zijian Guo, Ilker I\c{s}{\i}k, H. M. Sabbir Ahmad, Wenchao Li

### 개요

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.

### 시사점, 한계점

- **시사점:**

    - Büchi 오토마타 기반의 LTL 사양 분해를 통해 복잡한 LTL 작업에 대한 효율적인 해결책을 제시합니다.

    - 하위 목표를 하나씩 해결하는 접근 방식으로 제로샷 일반화 성능을 향상시킵니다.

    - 하위 목표 유도 관찰 감소 기법을 통해 계산 복잡성을 완화합니다.

    - 기존 방법보다 우수한 제로샷 일반화 성능을 실험적으로 검증합니다.

- **한계점:**

    - 제안된 하위 목표 유도 관찰 감소 기법의 효율성은 현실적인 가정에 의존합니다.  실제 환경에서의 일반화 가능성에 대한 추가적인 연구가 필요합니다.

    - 안전한 RL 공식의 설계 및 최적화에 대한 자세한 설명이 부족할 수 있습니다.  구체적인 알고리즘 및 파라미터 설정에 대한 추가적인 정보가 필요할 수 있습니다.

    - 다양한 종류의 LTL 사양 및 복잡한 환경에 대한 로버스트성에 대한 추가적인 실험적 검증이 필요합니다.

[PDF 보기](https://arxiv.org/pdf/2508.01561)

![https://i.imgur.com/bx9p6cs.jpeg](https://i.imgur.com/bx9p6cs.jpeg)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).