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.
MISRA C 코딩 가이드라인 준수를 위한 코드 변경은 어떻게 이루어지는가: 오픈소스 소프트웨어 프로젝트를 대상으로 한 실태 조사
http://doi.org/10.5626/JOK.2024.51.8.718
본 논문은 오픈 소스 프로젝트에서 MISRAC 코딩 가이드라인 준수를 위한 코드변경이 어떻게 이루어지고 있는 지를 이해하기 위해 GitHub를 통해 공개된 오픈소스 프로젝트 중 MISRA 코딩 가이드라인을 적용한 75개 프로젝트의 소스코드 저장소를 조사 분석한 결과를 소개한다. 분석 대상 프로젝트 의 특성을 조사한 결과, MISRA C 코딩 가이드라인이 적용된 프로젝트의 분야를 나타내는 8개의 키워드 를 파악할 수 있었으며 54.7%의 프로젝트에서 코딩 규칙 검사에 정적검사기를 활용함을 알 수 있었다. 코드 변경을 조사한 결과, 조사대상 프로젝트 중 77.3%에서 MISRA 코딩 규칙과 연관된 코드 변경 기록을 찾을 수 있으며, 이들은 총 75개의 MISRA 코딩 규칙에 관련된 것임을 확인할 수 있었다. 또한, MISRA 코딩 규칙 준수를 위한 코드 변경은 대체로 짧은 주기 내에 연속적으로 발생하며, 하나의 코드 변경에서 평균 1124개 라인을 수정하는 특징을 파악하였다.
