자율 수중 차량을 이용한 잠재적 오염층 추적을 위한 적응 경로 계획

자율 수중 차량(AUV)은 해양 환경 모니터링에 점점 더 많이 사용되고 있습니다. 이들은 인간의 개입 없이 작업을 수행할 수 있는 뛰어난 능력 덕분에, 특히 알려지지 않은 원거리 지역에서 환경 데이터 수집을 위한 인기 있는 도구가 되고 있습니다. 본 논문은 AUV를 사용하여 알려지지 않은 환경에서 오염원 추적을 수행할 때의 경로 계획 문제를 다룹니다. 경로 계획의 목표는 오염원을 효율적으로 찾는 것입니다. 경로 계획 방법은 심층 강화 학습(DRL) 프레임워크에서 더블 딥 Q-네트워크(DDQN) 알고리즘을 사용하여 개발되었습니다. AUV는 환경과 상호작용을 통해 지식을 얻으며, 최적 방향은 심층 신경망에 의해 얻어진 매핑에서 추출됩니다. 제안된 접근 방식은 수치 시뮬레이션과 실제 지상 차량에서 테스트되었습니다. 수치 시뮬레이션에서는 여러 초기 샘플링 전략이 조사 효율성을 기준으로 비교되었습니다. 결과는 환경과의 상호작용을 기반으로 한 직접 학습이 오염원 추적 문제에 적합한 조사 전략이 될 수 있음을 보여줍니다. 실제에서 사용되는 정형 잔디깎이 경로와의 비교는 DRL 알고리즘을 사용한 경로 계획이 대규모 환경 탐색에 유망할 수 있음을 시사했습니다.