디지털 라이브러리[ 검색결과 ]
동적 해양 환경에서 자율 수중 차량 임무 수행을 위한 강화학습 기반 경로 최적화 기법
안효준, 안신천, 노지민, 송일석, 권주은, 권세이, 김영대, 박수현, 김중헌
http://doi.org/10.5626/JOK.2025.52.6.519
본 논문은 동적 해양 환경에서 AUV (Autonomous Underwater Vehicle)의 자율 임무 수행 및 경로 최적화를 위해 AOPF (Autonomous Underwater Vehicle Optimal Path Finder) 알고리즘을 제안한다. 제안한 알고리즘은 PPO (Proximal Policy Optimization) 기반 강화학습 기법과 3-degree-of freedom (DOF) 모델을 적용하여 장애물 회피와 목표 도달의 균형을 달성하며, 기존 DDPG (Deep Deterministic Policy Gradient) 알고리즘 대비 빠른 수렴과 높은 임무 성능을 보인다. 실험 결과, 제안 기법은 안정적 학습과 효율적 경로 생성을 확인하였다. 본 연구는 동적 해양 환경에서 AUV의 자율 임무 수행을 위한 새로운 강화학습 기반 제어 방법을 제시하며, 실제 해양 적용 및 다중 AUV 협력 제어와 같은 확장 가능성에 관해 논의한다.
강화학습 기반 자율이동체의 학습 효율 향상을 위한 유사도 기반 다중 지식 전이 알고리즘
http://doi.org/10.5626/JOK.2025.52.4.310
본 논문은 강화학습 기반 자율이동체의 학습 효율을 향상시키기 위해 유사도 기반 다중 지식 전이 알고리즘(similarity-based multi-knowledge transfer, SMTRL)을 제안한다. SMTRL은 사전 학습된 모델과 현재 모델의 유사도를 계산하고, 그 유사도에 기반하여 지식 전이의 비율을 동적으로 조절하여 학습 효율을 극대화하는 방법론이다. 복잡한 환경에서 자율이동체가 단독으로 학습할 경우 많은 시간이 소요되므로, 지식 전이는 필수적이다. 하지만 사전 학습 모델과 실제 환경 간 차이가 클 경우, 학습 성능이 저하되는 부정 전이 현상이 나타날 수 있다. SMTRL은 이러한 부정 전이를 최소화하기 위해 유사도가 높은 사전 학습 모델의 지식을 반영 비율을 동적으로 조정함으로써 안정적으로 학습 속도를 가속화한다. 실험 결과, 제안된 알고리즘은 기존의 단일 지식 전이 및 전통적 강화학습 방법과 비교하여 수렴 속도 및 성능에서 우수한 결과를 나타냈다. 본 연구는 자율이동체의 효율적인 학습을 위한 새로운 지식 전이 방법을 제시하며, 복잡한 이동체 환경으로의 적용 가능성과 향후 연구 방향에 관해 논의한다.
Style Transfer를 이용한 주행 중인 이동체에서의 야간 차량 인식률 향상 방식
http://doi.org/10.5626/JOK.2019.46.9.968
차량 인식 알고리즘은 자율 주행 차량에 필요한 기술에 있어서 중요한 부분 중 하나이다. 자율주행에서의 차량 간 사고를 막기 위해 선행되어야 하는 첫 번째 기술은 바로 차량 인식 기술이다. 대부분의 제시되는 기존의 기법들이 주간의 상황에서 우수한 성능을 보이는 반면 야간의 상황에서는 그렇지 못하다. 따라서 본 논문은 컬러 필터 기반 이미지 스타일 트랜스퍼를 통해 이전의 기법보다 강력한 야간에서의 차량 인식 기법을 제안하고자 하였다. 제안하는 방법의 성능 평가 결과는 실제 데이터를 이용하였고, 그 결과를 통해 이상적인 세그맨테이션 결과의 정확도와 비교하여 제안하는 방법이 다른 방법들보다 우수함을 나타내었다.
심층 신경망의 영상 인식 분류 성능 균일성 향상을 위한 명시적 상호보완 앙상블 구조
http://doi.org/10.5626/JOK.2019.46.9.941
본 논문에서는 영상 인식 분류 시스템의 주요한 성능평가 고려사항 중 하나인 분류 대상 별 성능 편차문제를 완화시키기 위한 새로운 심층 신경망 기반 조화 앙상블(Harmony) 기법을 제안한다. 조화 앙상블 기법은 표적 모델(Target model), 보완 모델(Complementary model) 그리고 지휘자 모델(Conductor model)로 명명된 3가지의 하위 모듈들로 구성된다. 제안하는 기법에서의 분류 대상은 지휘자 모델에서의 결과에 따라 표적 모델 또는 보완 모델을 통해 선택적으로 처리된다. 표적 모델은 종래의 분류모델과 동일한 방식으로 학습된다. 반면에 보완 모델은 표적 모델의 취약한 분류 대상에 대하여 상호보완적인 분류 성능을 가지도록 학습된다. 지휘자 모델은 분류 대상이 표적 모델의 취약 분류대상에 속하는지를 사전에 분류하여 분류대상을 표적 모델과 보완 모델 중에 어떤 모델을 사용하여 분류 할 것인지를 결정한다. 논문의 끝에서는 실험적 결과를 통하여 제안하는 조화 앙상블 기법을 통해 평균 분류성능의 대한 손실 없이 분류 대상 별 성능 편차문제를 효과적으로 완화시킬 수 있음을 확인한다.
