페트리넷 완화 기반 불가능성 설명 및 순차 작업 계획

본 논문은 작업 계획 분야에서 “계획이 존재하지 않을 때 이를 빠르게 판단하고, 왜 불가능한지 설명하는” 문제에 초점을 맞추었다. 전통적인 플래너들은 주어진 사양이 충족 가능한 경우에만 효율적인 일회성(one‑shot) 계획을 목표로 설계돼 왔으며, 목표·제약이 변할 때마다 전체 모델을 재구성하거나, 불가능성을 탐지하는 메커니즘이 부족했다. 이를 해결하기 위해 저자들은 다음과 같은 일련의 기법을 제안한다. 1. **페트리넷 변환**: 입력으로 주어지는 PDDL(Planning Domain Definition Language) 기반의 작업 계획 문제를 먼저 “그라운드된” 형태(V, I, A, G)로 변환한다. 각 상태 변수는 페트리넷의 장소(place)와 일대일 대응시키고, 각 행동(action)은 전이(transition)로 매핑한다. Boolean 변수는 전이 전·후에 토큰을 0·1로 조정하는 단순 가중치(±1)로, 수치 변수는 증가·감소량을 가중치로 표현한다. 전이와 장소 사이에 양방향 가중치를 두어 전·후 조건이 동시에 존재하는 경우에도 정확히 모델링한다. 초기 상태 I는 초기 마킹(p⁰)으로, 목표 G는 목표 마킹(pʰ)으로 설정한다. 2. **제약 기반 모델링**: 페트리넷의 동역학을 제약식으로 기술한다. 각 스텝 k(0≤k≤h)마다 장소 토큰 수 p⟨k⟩와 전이 발화 여부 τ⟨k⟩를 변수로 두고, 마킹 방정식 p⟨k+1⟩ = p⟨k⟩ + C·τ⟨k⟩(여기서 C는 인시던스 행렬)를 사용한다. Boolean 장소는 전이의 “재바인딩”을 고려해 함축적 함의(implication) 형태의 제약을 두고, 충돌 전이 그룹에 대해서는 Στ_group ≤ 1 로 선형화한다. 또한, 알려진 상한·하한을 박스 제약으로 추가한다. 3. **선형 완화와 불가능성 검증**: 위 제약식은 정수·Boolean 변수 때문에 직접 해결하기엔 비용이 크다. 따라서 저자들은 “전체 스텝을 합산한” 마킹 방정식 pʰ = p⁰ + C·τ̃ 로 변환하고, τ̃ 를 실수 변수로 두어 LP(또는 MIP) 형태로 완화한다. Boolean 장소의 재바인딩 문제를 해결하기 위해 슬랙 변수 s⁺, s⁻ 를 도입해 pʰ = p⁰ + C·τ̃ + s⁺ − s⁻ 로 표현한다. 이 선형 시스템이 불가능하면 원래 페트리넷에서도 목표에 도달할 수 없다는 정리를 증명한다(정리 1). 4. **불변식 도출 및 설명 생성**: LP 해를 통해 얻은 τ̃ 와 슬랙 변수의 값은 토큰 흐름의 보존 법칙을 그대로 반영한다. 따라서 토큰이 절대로 생성되지 않거나 소멸되지 않는 제약을 자동으로 추출할 수 있다. 특히, 목표 마킹을 만족시키기 위해 필요한 최소·최대 토큰 수와 충돌하는 제약들의 집합을 식별함으로써, “어떤 변수·전이가 서로 모순되는가”를 명시한다. 이 과정에서 LP의 이중 변수(dual) 정보를 활용해, 충돌 제약을 인간이 이해하기 쉬운 형태(예: 변수 A가 5 이상이어야 하는데, 다른 제약이 3 이하를 요구)로 변환한다. 5. **증분 제약 해결**: 순차적 계획 시나리오에서는 목표 G나 제약 O가 매 라운드마다 바뀐다. 저자들은 SMT와 MIP 솔버가 제공하는 “assertion stack”과 “per‑check assumptions” 메커니즘을 이용해, 기존에 구축된 제약 집합에 새로운 제약을 푸시하거나 기존 제약을 팝하는 방식으로 업데이트한다. 이렇게 하면 매 라운드마다 전체 모델을 다시 컴파일할 필요가 없으며, 솔버 내부의 학습된 레마(lemmas)와 충돌 절차를 재활용해 실행 시간을 크게 단축한다. 6. **실험 및 평가**: 논문에서는 6개의 대표적인 IPC 도메인(수치·논리 혼합)과 자체 제작한 동적 시나리오를 사용해 평가를 진행했다. 비교 대상은 (a) 히어리스틱 기반 탐색 플래너, (b) 기존 제약 기반 플래너, (c) 최신 SAT‑based 플래너 등이다. 주요 평가지표는 (i) 불변식 수, (ii) 불가능성 탐지율, (iii) 단일 실행 시간, (iv) 순차 업데이트 시 평균 실행 시간, (v) 설명의 인간 친화도이다. 결과는 다음과 같다. - 불변식 수는 기존 플래너와 동등하거나 약간 우수했다. - 불가능성 탐지율은 최대 2배 향상되었으며, 특히 목표가 자주 변하는 경우 높은 탐지율을 유지했다. - 단일 실행 시간은 일부 수치 도메인에서 기존 플래너와 비슷하거나 약간 빠른 수준을 보였고, 복잡한 논리 도메인에서는 약간 느렸지만 허용 가능한 범위였다. - 순차 업데이트 실험에서는 평균 실행 시간이 30~45% 감소했으며, 기존 플래너는 종종 타임아웃에 빠졌다. - 생성된 설명은 변수·전이 수준에서 구체적이며, 사용자가 요구사항을 조정하는 데 실질적인 가이드를 제공했다. 7. **한계와 향후 연구**: 현재 접근법은 (a) 박스 제약에 의존해 비선형 관계를 완전히 포착하지 못함, (b) LP 완화가 지나치게 낙관적일 경우 거짓 양성(실제는 불가능하지만 완화는 가능) 검출이 발생할 수 있다. 저자들은 이러한 문제를 해결하기 위해 SAT‑based 순서 검증 단계와 결합하거나, 강화 학습을 통해 전이 순서를 사전 예측하는 방법을 제안한다. 또한, 다중 목표·다중 제약 상황에서의 확장성을 검증할 계획이다. 결론적으로, 이 논문은 페트리넷 구조와 선형 완화를 결합해 작업 계획의 불가능성 탐지와 설명, 그리고 순차적 업데이트 처리를 효율적으로 수행하는 새로운 프레임워크를 제시한다. 이는 실시간 로봇 시스템, 자동화된 생산 라인, 그리고 복잡한 업무 흐름 관리 등 다양한 응용 분야에서 계획의 신뢰성을 높이는 데 기여할 것으로 기대된다.