심층 강화 학습(RL)과 그래프 신경망(GNN)을 결합한 일반화 계획은 PDDL로 설명되는 다양한 기호 계획 영역에서 유망한 결과를 보여주었습니다. 그러나 기존 접근 방식은 일반적으로 계획 상태를 완전 연결 그래프로 표현하여 엣지 정보의 조합적 폭발과 문제 규모가 커짐에 따라 상당한 희소성을 초래합니다. 특히 대규모 그리드 기반 환경에서 두드러지게 나타납니다. 이러한 밀집 표현은 노드 수준 정보의 희석, 메모리 요구 사항의 기하 급수적 증가, 궁극적으로 더 큰 규모의 문제에 대한 학습을 불가능하게 합니다. 이러한 문제를 해결하기 위해, 관련 국소 관계를 선택적으로 인코딩하고 목표와 관련된 공간적 특징을 명시적으로 통합하는 희소하고 목표 인지적인 GNN 표현을 제안합니다. 그리드 세계 내에서 PDDL 기반의 새로운 드론 임무 시나리오를 설계하여 실제 임무 실행 환경을 효과적으로 시뮬레이션함으로써 접근 방식을 검증합니다. 실험 결과는 제안된 방법이 밀집 그래프 표현으로는 이전에 불가능했던 더 큰 그리드 크기로 효과적으로 확장되며, 정책 일반화 및 성공률을 실질적으로 향상시킵니다. 본 연구 결과는 실제적이고 대규모의 일반화 계획 문제를 해결하기 위한 실질적인 기반을 제공합니다.
