군집 로봇의 신경 기반 심볼릭 진화

군집 로봇에서 진화된 전략으로부터 명시적인 제어 규칙을 추출하는 것은 여전히 어려운 과제입니다. 이 문제를 해결하기 위해, 본 연구는 신경망 기반 심볼릭 진화(NGSE) 프레임워크를 제안합니다. 이는 제어기 설계를 단순한 최적화 문제가 아닌, 해석 가능한 메커니즘 발견 과정으로 재정의합니다. NGSE는 심볼릭 진화를 순차적 의사결정 문제로 모델링하고, 그래프 신경망을 활용하여 몬테카를로 트리 탐색을 안내함으로써 광범위한 심볼릭 탐색 공간에서 효율적으로 간결한 속도 제어기를 식별합니다. 핵심 구성 요소는 탐색 후 진화된 수식을 분석하는 대규모 언어 모델(LLM) 기반 해석기입니다. 이 모듈은 심볼릭 표현을 가상 댐핑 및 전위장 형성 같은 물리적 메커니즘과 연관시킵니다. 떼 지어 이동, 라인 형성, 포획과 같은 다양한 군집 로봇 과제에 대한 실험 결과, NGSE는 명시적인 협업 논리를 유지하면서도 심층 강화 학습 기반의 성능에 필적함을 보여주었습니다. 이는 복잡한 군집 행동의 근본 원리를 이해하고 설명하는 데 기여합니다. 본 연구는 군집 로봇 제어의 투명성과 해석 가능성을 높여, 향후 로봇 시스템 설계 및 디버깅에 중요한 통찰력을 제공할 것으로 기대됩니다.