본 논문은 목표 인식(Goal Recognition, GR) 문제에 대한 새로운 접근 방식인 GRAML(Goal Recognition As Metric Learning)을 제안합니다. GR은 관찰된 행동을 기반으로 에이전트의 목표를 인식하는 문제입니다. 기존 데이터 기반 GR 접근 방식은 수동으로 만든 도메인 모델의 필요성을 줄였지만, 미리 정의된 목표 집합에 대해서만 추론하고 새로운 목표에 대한 훈련에 시간이 오래 걸리는 단점이 있습니다. GRAML은 Siamese 네트워크와 RNN을 사용하여 GR을 심층 메트릭 학습 문제로 다룹니다. 다양한 목표로 이어지는 관찰 추적의 임베딩 간 거리를 측정하는 메트릭을 학습하여, 동일한 목표로 이어지는 추적의 임베딩은 가깝게, 다른 목표로 이어지는 추적의 임베딩은 멀리 배치합니다. 이 메트릭은 목표당 하나의 관찰 추적만 주어져도 새로운 목표에 빠르게 적응하는 데 특히 유용합니다. 다양한 환경에서 평가한 결과, GRAML은 기존 최고 성능의 GR보다 속도, 유연성 및 실행 시간 측면에서 향상된 성능을 보이며 정확한 인식을 유지합니다.
