LLMDR: LLM-Driven Deadlock Detection and Resolution in Multi-Agent Pathfinding
Created by
- Haebom
Category
Empty
저자
Seungbae Seo, Junghwan Kim, Minjeong Shin, Bongwon Suh
개요
LLM-Driven Deadlock Detection and Resolution (LLMDR)은 기존 학습 기반 다중 에이전트 경로 찾기(MAPF) 방법의 확장성 문제, 특히 교착 상태 발생 가능성이 높은 복잡한 시나리오에서의 문제를 해결하기 위해 제안된 방법이다. LLMDR은 대규모 언어 모델(LLM)의 추론 능력을 학습된 MAPF 모델과 우선순위 계획과 통합하여 교착 상태를 감지하고 맞춤형 해결 전략을 제공한다. 다양한 에이전트 수를 가진 표준 MAPF 벤치마크 맵에서 여러 기본 모델과 결합하여 LLMDR의 성능을 평가한 결과, 특히 교착 상태 발생 가능성이 높은 시나리오에서 성공률이 눈에 띄게 향상되는 등 학습 기반 MAPF 모델의 성능을 향상시키는 것으로 나타났다. 이는 LLM을 통합하여 학습 기반 MAPF 방법의 확장성을 향상시킬 수 있는 가능성을 보여준다.
시사점, 한계점
•
시사점:
◦
LLM을 활용하여 학습 기반 MAPF 모델의 교착 상태 문제 해결 및 성능 향상 가능성 제시
◦
특히 교착 상태 발생 가능성이 높은 복잡한 시나리오에서의 성능 개선 효과 확인
◦
LLM의 추론 능력을 활용한 맞춤형 교착 상태 해결 전략의 효율성 증명
◦
학습 기반 MAPF 방법의 확장성 향상에 대한 새로운 접근 방식 제시
•
한계점:
◦
LLM의 활용으로 인한 계산 비용 증가 가능성
◦
LLM의 성능에 대한 의존성 및 LLM의 한계가 LLMDR의 성능에 영향을 미칠 가능성
◦
다양한 유형의 교착 상태에 대한 일반화 성능 검증 필요
◦
실제 환경 적용 시 추가적인 검증 및 최적화 필요
