이 연구는 Lifelong MAPF 문제를 대상으로, 우선순위 계획(PP)을 뼈대로 쓰고 강화학습으로 동적 우선순위를 정하는 첫 통합 프레임워크라고 밝혔거든요

창고 로봇 길찾기에서 RL과 고전 탐색을 결합한 RL-RH-PP가, 기존 베이스라인 대비 총 처리량(throughput) 최고 성능을 기록했어요.

이 연구는 Lifelong MAPF 문제를 대상으로, 우선순위 계획(PP)을 뼈대로 쓰고 강화학습으로 동적 우선순위를 정하는 첫 통합 프레임워크라고 밝혔거든요. 우선순위 할당을 POMDP로 모델링한 점이 핵심이에요.

어텐션 기반 신경망이 우선순위를 자기회귀적으로 실시간 디코딩하고, PP 플래너가 이를 바탕으로 단일 에이전트 경로를 순차적으로 계산해요. 시뮬레이션에서 에이전트 밀도, 계획 수평, 창고 레이아웃이 바뀌어도 일반화 성능을 보였어요.

결국 혼잡 로봇을 선제적으로 우선 처리하고 교통 흐름을 재배치하는 전략이 통했다는 뜻이고, 창고 자동화에선 ‘학습+휴리스틱’ 하이브리드가 실전 해법이 될 가능성이 커졌어요.