Leslie Pack Kaelbling은 미국의 로봇공학자이자 매사추세츠 공과대학교의 파나소닉 컴퓨터 과학 및 공학 교수이다. 그녀는 운영 연구 분야의 부분 관측 마르코프 결정 과정을 인공지능과 로봇공학에 적용한 것으로 널리 인정받고 있다. 그녀의 연구는 자율 시스템이 불확실성에 대해 추론하고 동적 환경에서 행동하는 방식을 형성해 왔다.
Kaelbling은 1997년 강화 학습을 임베디드 제어 시스템에 적용하고 로봇 내비게이션을 위한 프로그래밍 도구를 개발한 공로로 IJCAI 컴퓨터와 사고 상을 수상했다. 2000년에는 인공지능 발전 협회의 펠로우로 선출되었다. 그녀의 연구는 불확실성 하에서의 의사 결정, 기계 학습, 센싱을 아우르며, 로봇이 실제 세계에서 안정적으로 작동할 수 있게 하는 데 초점을 맞추고 있다.
초기 생애와 교육
Kaelbling은 1983년 스탠포드 대학교에서 철학 학사 학위를, 1990년 같은 대학에서 컴퓨터 과학 박사 학위를 받았다. 대학원 과정 동안 그녀는 언어와 정보 연구 센터에 소속되어 논리, 추론, 행동 사이의 연결을 탐구했다. 그녀의 박사 연구는 이후 확률적 계획과 제어에 대한 기여의 토대를 마련했다.
철학과 컴퓨터 과학을 결합한 그녀의 학제적 배경은 지능적 행동을 불확실성 하에서의 행동 문제로 구성하는 방식, 특히 AI에 대한 접근 방식을 형성했다. 이러한 관점은 그녀의 경력의 특징이 되었으며, 이론적 프레임워크와 실용적 로봇 시스템 모두에 영향을 미쳤다.
경력 궤적
박사 학위를 마친 후 Kaelbling은 SRI 인터내셔널과 그 자회사 로봇공학 스핀오프인 텔레오스 리서치에서 근무했다. SRI에서 그녀는 로봇 내비게이션과 임베디드 제어의 초기 노력에 기여했으며, 로봇이 잡음이 있는 센서 데이터를 기반으로 결정을 내릴 수 있게 하는 도구를 개발했다. 텔레오스 리서치에서의 시간은 학술 연구와 상업적 응용을 연결하며 AI 시스템 배포의 실질적 과제에 대한 통찰력을 제공했다.
1990년대 중반, Kaelbling은 브라운 대학교 교수진에 합류하여 강화 학습과 확률적 로봇공학에 초점을 맞춘 연구 그룹을 설립했다. 브라운에서 그녀는 동료들과 함께 로봇이 상호작용을 통해 학습하고 부분 관측 하에서 계획할 수 있는 방법을 정의한 기초 논문에 협력했다. 그녀는 1999년까지 브라운에 머물렀으며, 이후 매사추세츠 공과대학교로 이동했다.
MIT에서 Kaelbling은 파나소닉 컴퓨터 과학 및 공학 교수가 되었으며, 현재까지 그 직책을 유지하고 있다. 그녀의 MIT 컴퓨터 과학 및 인공지능 연구소 실험실은 작업 및 운동 계획, 계층적 의사 결정, 통합 지각-행동 시스템에 관한 영향력 있는 연구를 생산해 왔다. 그녀는 학계와 산업계에서 두각을 나타내는 많은 학생들을 지도했다.
강화 학습에 대한 기여
Kaelbling의 초기 강화 학습 연구는 이 분야를 AI 연구의 핵심 영역으로 확립하는 데 도움을 주었다. 마이클 L. 리트먼과 앤드류 W. 무어와 공동 저술한 그녀의 1996년 조사 논문 "강화 학습: 조사"는 이 분야에서 가장 많이 인용된 참고 자료 중 하나로 남아 있다. 이 조사는 기존 알고리즘, 이론적 결과, 응용을 체계적으로 정리하여 후속 연구의 로드맵을 제공했다.
그녀의 1997년 IJCAI 컴퓨터와 사고 상은 강화 학습을 임베디드 제어 시스템에 적용한 기여를 인정받은 것이다. 이 연구는 로봇이 환경의 명시적 모델 없이도 경험에서 직접 정책을 학습할 수 있음을 입증했다. 그녀는 또한 연구자가 높은 수준의 목표를 지정하고 시스템이 낮은 수준의 불확실성을 처리하도록 하는 로봇 내비게이션 프로그래밍 도구를 개발했다.
Kaelbling의 접근 방식은 불확실성을 명시적으로 표현하는 것의 중요성을 강조했다. 그녀의 시스템은 완벽한 지식을 가정하는 대신 가능한 상태에 대한 확률 분포를 유지하고 이를 사용하여 행동 선택을 안내했다. 이러한 관점은 센서가 잡음이 있고 액추에이터가 부정확한 로봇공학에서 특히 영향력이 있었다.
부분 관측 마르코프 결정 과정
Kaelbling 경력의 핵심 기여는 운영 연구의 부분 관측 마르코프 결정 과정(POMDP)을 AI와 로봇공학에 적용한 것이다. POMDP는 에이전트가 환경의 전체 상태를 직접 관측할 수 없을 때 의사 결정을 위한 수학적 프레임워크를 제공한다. Kaelbling과 그녀의 공동 연구자들은 이러한 모델을 로봇 내비게이션과 계획에 사용할 수 있음을 보여주었다.
리트먼과 앤서니 R. 캐산드라와 공동 저술한 그녀의 1998년 논문 "부분 관측 확률적 도메인에서의 계획과 행동"은 POMDP를 해결하기 위한 효율적인 알고리즘을 소개하고 이를 모바일 로봇 내비게이션에 적용하는 것을 입증했다. 이 연구는 이론적 AI와 실용적 로봇공학을 연결하여 POMDP가 실제 센싱에 내재된 불확실성을 처리할 수 있음을 보여주었다.
캐산드라와 제임스 A. 쿠리엔과 함께한 Kaelbling의 모바일 로봇 내비게이션을 위한 이산 베이지안 모델 관련 연구는 센서 데이터를 사용하여 로봇 위치에 대한 신념을 업데이트하는 구체적인 방법을 제공했다. 이러한 기법은 이후 동시적 위치 추정 및 매핑(SLAM)과 더 넓은 확률적 로봇공학 발전의 기초가 되었다.
기계 학습 연구 저널
2000년 봄, Kaelbling은 AI의 오픈 액세스 운동에서 중추적 역할을 했다. 그녀와 Kluwer 소유 저널 기계 학습의 편집 위원회 3분의 2는 유료 아카이브와 저자에 대한 제한된 재정적 보상에 항의하여 사임했다. 이 사임은 연구 접근을 제한하는 상업적 출판 모델에 도전하기 위한 조정된 행동이었다.
Kaelbling은 기계 학습 연구 저널(JMLR)을 공동 창립하고 초대 편집장을 역임했다. JMLR은 연구자가 무료로 논문을 게시하고 저작권을 보유하며 아카이브를 온라인에서 자유롭게 이용할 수 있게 한 동료 검토 오픈 액세스 저널이었다. 이 모델은 당시 혁명적이었으며 이후 많은 AI 출판물의 표준이 되었다.
대규모 사임에 대응하여 Kluwer는 저자가 동료 검토 후 온라인에 논문을 자체 아카이브할 수 있도록 출판 정책을 변경했다. Kaelbling은 이 정책이 합리적이며 대체 저널의 창설을 불필요하게 만들었을 것이라고 언급했다. 그러나 그녀는 정책 변경이 사임 위협과 JMLR의 실제 창설 이후에만 이루어졌다고 지적하며, 학술 출판에서 집단 행동의 중요성을 강조했다.
주요 저작과 영향
Kaelbling의 출판 기록에는 여러 매우 영향력 있는 논문이 포함되어 있다. 리트먼과 무어와 함께한 그녀의 1996년 강화 학습 조사는 인공지능 연구 저널에 게재되었으며 수천 번 인용되었다. 리트먼과 캐산드라와 함께한 1998년 POMDP 논문은 인공지능에 게재되어 마찬가지로 초석 참고 자료가 되었다.
토마스 로사노-페레스와 함께한 그녀의 계층적 작업 및 운동 계획 연구는 이산적 작업 수준 계획과 연속적 운동 계획을 결합하는 과제를 다루었다. 그들의 2011년 논문 "지금의 계층적 작업 및 운동 계획"은 실시간으로 계획과 실행을 인터리빙하는 방법을 제시하여 로봇이 복잡한 조작 작업을 처리할 수 있게 했다. 이 연구 라인은 학계와 산업계 모두에서 현대 로봇 조작 접근 방식에 영향을 미쳤다.
Kaelbling은 또한 윌리엄 D. 스마트와 함께 2000년 국제 기계 학습 회의에서 발표된 논문에서 연속 공간에서의 실용적 강화 학습에 기여했다. 이 연구는 강화 학습을 고차원 연속 상태 공간으로 확장하는 과제를 다루었으며, 이는 현대 심층 강화 학습의 중심 문제로 남아 있다.
유산과 인정
Kaelbling의 영향력은 그녀 자신의 연구를 넘어선다. MIT 교수로서 그녀는 차세대 로봇공학자와 AI 연구자를 양성해 왔다. 원리 있는 확률적 방법에 대한 그녀의 강조는 로봇공학에서 표준 관행이 되었으며, 자율 주행에서 가정용 로봇에 이르는 분야에 영향을 미쳤다.
2000년 인공지능 발전 협회 펠로우 선출은 그녀의 지속적인 분야 기여를 인정한 것이다. AI에서 가장 높은 영예 중 하나인 IJCAI 컴퓨터와 사고 상은 그녀의 초기 경력 성과를 인정했다. JMLR 창립에서의 그녀의 역할은 AI 연구의 보급 방식에 지속적인 영향을 미쳤으며, 오픈 액세스가 널리 퍼지기 전에 이를 촉진했다.
Kaelbling의 연구는 AI 시스템이 점점 더 불확실한 실제 환경에서 작동함에 따라 계속해서 관련성을 유지하고 있다. POMDP와 강화 학습에 대한 그녀의 기초적 기여는 창고 자동화에서 자율 주행 차량에 이르기까지 현대 로봇공학과 의사 결정의 많은 접근 방식을 뒷받침한다. 그녀의 경력은 이론적 엄격성과 실용적 적용의 통합을 예시하며, 이는 AI와 로봇공학 연구자들에게 계속 영감을 주는 모델이다.