본 논문은 사회적 지각 능력을 갖춘 에이전트가 인간이 많은 환경에서 불편함을 유발하지 않고 탐색할 수 있도록 하는 것을 목표로 한다. 이를 위해 경험적 행동 실험에 기반한 규칙 기반 사회적 이동 모델(Social Locomotion Model)을 강화 학습 프레임워크의 보상 함수에 통합하는 하이브리드 강화 학습 프레임워크인 RLSLM을 제안한다. RLSLM은 기계적 에너지와 사회적 편안함을 동시에 최적화하여 개인적 또는 집단적 공간 침범을 방지하며, VR 기반 실험을 통해 기존 규칙 기반 모델보다 사용자 경험을 향상시킴을 입증한다.
시사점, 한계점
•
시사점:
◦
규칙 기반 모델의 해석 가능성과 데이터 기반 모델의 유연성을 결합한 하이브리드 접근 방식 제시.
