본 논문은 불완전한 정보 하에서 인간-로봇 협력 항해의 어려움을 해결하기 위해, 로봇이 제한된 시야를 가지고, 인간 조작자가 부정확한 맵을 기반으로 지침을 제공하는 CoNav-Maze 시뮬레이션 환경을 제안합니다. 효율적인 협력을 위해, 자율적인 움직임과 정보 전달을 함께 최적화하는 온라인 계획 알고리즘인 IG-MCTS(Information Gain Monte Carlo Tree Search)를 제안합니다. IG-MCTS는 군중이 수집한 맵 데이터를 기반으로 훈련된 Neural Human Perception Model (NHPM)을 활용하여 새로운 관찰이 공유될 때 인간의 내부 맵이 어떻게 변화하는지 예측합니다. 사용자 연구 결과, IG-MCTS는 통신 요구 사항을 크게 줄이고, 인지 부하가 낮은 것을 나타내는 시선 추적 지표를 보였으며, 원격 조작 및 지침 따르기 기반선과 유사한 작업 성능을 유지했습니다. 또한, NHPM이 심층적인 인코더-디코더 아키텍처로부터 이점을 얻고, IG-MCTS가 동적으로 구성된 Voronoi 분할 가능성 그래프를 활용하는 연속 공간 수로 항해 설정을 통해 이산 미로를 넘어 일반화 능력을 보여줍니다.
