Core Concepts
본 연구는 수중 환경에서 효율적이고 정확한 다중 대상 추적을 위해 동적 전환 기반 다중 에이전트 강화 학습 프레임워크를 제안한다.
Abstract
본 연구는 수중 소나 기반 감지와 해류 간섭에 대한 모델링 접근법을 제시한다. 그리고 소프트웨어 정의 네트워킹 기반의 FATHOM-Net이라는 새로운 다중 에이전트 강화 학습 아키텍처를 제안한다. FATHOM-Net은 "동적 주의 전환" 및 "동적 재샘플링 전환" 메커니즘을 통해 AUV 군집의 자기 학습 효율성과 정확성을 향상시킨다. 또한 퍼지 논리와 규칙 기반 전문가 시스템을 활용하는 ASMA 알고리즘을 제안하여 해류 간섭 하에서 효율적이고 정확한 AUV 편대 할당을 달성한다. 평가 결과는 제안된 추적 알고리즘이 기존 연구 대비 수렴 속도와 추적 정확도 면에서 우수한 성능을 보여줌을 입증한다.
Stats
제안된 DSBM 알고리즘은 기존 MADDPG, MAAC, MADDPG-SAC 알고리즘 대비 가장 빠른 수렴 속도를 보였다.
DSBM은 안정적인 해류 환경과 해류 간섭 환경 모두에서 AUV와 추적 대상 간 거리를 가장 잘 유지하였다.
DSBM은 AUV와 추적 대상 간 속도 차이를 가장 작게 유지하여 에너지 효율성이 높았다.
DSBM은 AUV 편대 내 전략의 일관성이 가장 높아 복잡한 수중 환경에서도 안정적인 추적이 가능했다.
Quotes
"본 연구는 수중 소나 기반 감지와 해류 간섭에 대한 모델링 접근법을 제시한다."
"FATHOM-Net은 "동적 주의 전환" 및 "동적 재샘플링 전환" 메커니즘을 통해 AUV 군집의 자기 학습 효율성과 정확성을 향상시킨다."
"ASMA 알고리즘은 퍼지 논리와 규칙 기반 전문가 시스템을 활용하여 해류 간섭 하에서 효율적이고 정확한 AUV 편대 할당을 달성한다."