뉴로-심볼릭 접근을 활용한 경로 탐색용 Decision Transformer 학습 데이터 생성 및 모델 학습

Learning and Dataset Generation for Decision Transformer-Based Path Planning Using a Neuro-Symbolic Approach

무인항공기 운용을 위한 효율적인 전략 및 전술을 제시하기 위해 뉴로-심볼릭 접근 기반의 Decision Transformer 학습 방법을 제안한다. 기존의 오프라인 강화학습은 고정된 데이터셋에 의존하기 때문에 추가적인 데이터 수집이 어려우며, 데이터의 신뢰성과 다양성 확보에 한계가 있다. 이러한 문제를 해결하기 위해 본 논문에서는 전문가의 지식을 반영할 수 있는 Automated Symbolic Planner를 설계하였다. 해당 플래너는 Planning Domain Definition Language을 기반으로 실시간 환경 데이터를 수신하고, 이를 통해 적의 공격 범위 및 위험 지역을 포함한 최적의 전략·전술 계획을 자동으로 생성한다. 실험 결과, 제안된 모델은 다양한 환경에서 UAV가 목표 지점까지 효율적으로 이동하도록 하는 최적의 경로를 성공적으로 도출하였다. 이를 통해 제안된 방법이 고품질의 데이터셋 생성과 강화학습 모델의 학습에 효과적임을 검증하였다.

To propose efficient strategies and tactics for unmanned aerial vehicle operations, this study introduces a Decision Transformer learning method based on a neuro-symbolic approach. Conventional offline reinforcement learning relies on fixed datasets, making it difficult to acquire additional data and limiting the reliability and diversity of the training information. To address these challenges, this paper designs an Automated Symbolic Planner that integrates expert knowledge. The proposed automated symbolic planner utilizes the Planning Domain Definition Language to receive real-time environmental data and automatically generate optimal strategic and tactical plans, including enemy attack ranges and risk zones. Experimental results show that the proposed model efficiently generates optimal flight paths across diverse environments. These results verify that the proposed method is effective for generating high-quality datasets and improving the learning performance of reinforcement learning models.