이단 레브예후디(Idan Lev-Yehudi), 바딤 인델만(Vadim Indelman) 연구진이 연속적인 환경에서 불확실성을 고려한 계획(planning) 문제를 더 효율적으로 풀 수 있는 새로운 알고리즘 ‘GSS(Graph Sparse Sampling)’를 제안했다. 자율주행차나 로봇 같은 자율 시스템이 불확실한 환경에서 다음 행동을 결정하려면 미래 상태를 미리 시뮬레이션해봐야 하는데, 이 과정이 연산 부담이 크다는 게 오랜 난제였다.
몬테카를로 트리 탐색(MCTS)은 이런 계획 문제에 널리 쓰이는 방법이지만, 최악의 경우 예측하려는 시간 범위(horizon)가 길어질수록 필요한 샘플링 예산이 지수적으로 증가하는 한계가 있었다. 연구팀은 이를 ‘호라이즌의 저주’로 표현하며, GSS는 각 후보 행동마다 별도로 미래 상태를 샘플링하는 대신 여러 후보 결정이 샘플링된 미래를 공유하도록 설계했다고 설명했다. 트리가 아닌 가지치기 없는(branch-free) 그래프 구조를 사용해 GPU에서 대규모 배치 연산이 가능하다는 점도 특징이다.
연구팀은 GSS에 대해 완전계수(full-rank) 또는 저계수(low-rank) 생성적 시뮬레이터 모두를 아우르는 유한 표본 성능 보장을 매끄러운 백업(smoothed backup) 방식으로 증명했다고 밝혔다. 이 보장은 이산 행동 공간뿐 아니라 샘플링된 연속 행동 공간에도 적용된다. 적절한 중첩성과 정규성, 행동 커버리지 조건이 충족되면 이러한 성능 경계가 계획 호라이즌에 대해 다항식적으로만 의존한다는 점을 규명했는데, 이는 트리 기반 희소 샘플링에서 나타나는 지수적 의존성을 언제 피할 수 있는지를 이론적으로 공식화한 결과다.
연구팀은 연속 제어 시뮬레이션 실험을 통해 GSS가 긴 계획 호라이즌에서 기존 트리 기반 플래너보다 상당히 우수한 성능을 내거나 거의 최적에 가까운 결과를 달성했다고 밝혔다. 이는 가지 없는 그래프 계획이 온라인 제어를 위한 보완적 설계 원칙이 될 수 있음을 시사한다는 게 연구팀의 결론이다. 자율주행·로봇 팔 제어처럼 실시간으로 방대한 미래 시나리오를 계산해야 하는 응용 분야에서, 연산 효율을 높이는 이런 알고리즘 개선은 실제 배치 가능성을 좌우하는 핵심 변수로 꼽힌다.
