팀 및 목표 조건 기반 강화 학습과 인수 분해 브랜치 앤 바운드 기법을 활용한 다중 에이전트 목표 인식

Multi-Agent Goal Recognition with Team- and Goal-Conditioned Reinforcement Learning and Factorized Branch-and-Bound

다중 에이전트 목표 인식은 관찰자가 어떤 에이전트들이 함께 작동하는지, 그리고 각 팀이 무엇을 달성하려고 하는지를 동시에 추론하는 문제입니다. 이때 가설 공간은 팀 구성 및 팀당 목표의 수에 따라 기하급수적으로 증가합니다. 드론 감시 및 협업 로봇과 같은 실제 응용 분야에서는 에이전트의 궤적 정보만 제공되므로, 관찰자는 행동만을 기반으로 팀-목표 가설을 순위를 매겨야 합니다. 브랜치 앤 바운드 기법을 활용한 다중 에이전트 목표 인식 (MAGR-BB)은 공유된 팀 및 목표 조건 기반 정책을 사용하여 내부에서 점수 모델 역할을 수행하며, 인수 분해 브랜치 앤 바운드 탐색을 통해 문제를 해결합니다. 통제된 다중 에이전트 Blocksworld 벤치마크 환경에서 MAGR-BB는 전체 궤적에 걸쳐 완전 탐색과 동일한 최상위 가설을 반환하는 동시에, 가설 생성량을 크게 줄이고 누적 인식 실행 시간을 현저히 단축합니다.

Multi-agent goal recognition asks an observer to jointly infer which agents act together and what each team is trying to achieve, so the hypothesis space grows combinatorially with the number of team partitions and goals per team. Real applications such as drone surveillance and collaborative robotics expose only the agents' trajectory, which forces the observer to rank team-goal hypotheses from behavior alone. Multi-Agent Goal Recognition with Branch-and-Bound (MAGR-BB) addresses this setting with a shared team- and goal-conditioned policy used as the scoring model inside a factorized branch-and-bound search. On a controlled multi-agent Blocksworld benchmark, MAGR-BB returns the same top-ranked hypothesis as exhaustive search throughout the trajectory while cutting hypothesis materialization by orders of magnitude and reducing cumulative recognition runtime substantially.