파레토 최적화 기반 심층 강화 학습을 이용한 고속 수중 이동체 추적 연구

국문 초록 (Abstract)

최근 수중 환경에서의 기술 발전에 따라 자율 무인 잠수정과 같은 고속 수중 이동체의 활용이 증가하고 있으며, 이에 따라 이들을 정밀하게 추적하는 기술의 중요성이 높아지고 있다. 하지만 수중 환경은 음파의 굴절, 다중 경로 간섭, 높은 잡음 등 복잡한 특성을 보여서 표적의 위치를 정확히 추정하는 데 큰 어려움이 따른다. 특히 표적이 고속으로 기동할 경우, 도플러 불일치(Doppler mismatch)와 거리 이동(Range migration) 현상이 발생하여 탐지 성능이 저하되고 기존의 선형 모델 기반 추적 알고리즘으로는 대응하기 어려운 한계가 있다. 본 논문에서는 이러한 문제를 해결하기 위해 심층 강화 학습(Deep Reinforcement Learning, DRL)과 파레토 최적화(Pareto Optimization) 기법을 결합한 새로운 고속 수중 이동체 추적 알고리즘을 제안한다. 제안된 방법은 탐지 확률 극대화와 오탐지 확률 최소화라는 상충하는 두 목적을 동시에 고려하며, 파레토 최적화 개념을 적용하여 학습 데이터 중 신뢰도가 높은 경험만을 선별적으로 학습에 활용한다. 제안한 알고리즘의 성능을 검증하기 위해 다양한 수중 기동 시나리오에서 시뮬레이션을 수행하였으며, 기존의 IMM 필터 및 일반적인 DRL 알고리즘과 비교 분석하였다. 실험 결과, 제안된 기법은 표적의 급격한 비선형 기동 상황에서도 기존 방식보다 훨씬 낮은 추적 오차를 기록하며 우수한 정밀도와 강건성을 보였다. 특히 PPO 기반의 모델이 가장 안정적인 수렴 성능을 나타냈으며, 모델 경량화를 통해 실제 시스템 적용을 위한 실시간 연산 효율성까지 확보할 수 있음을 입증하였다.

목차 (Table of Contents)

• 제1장 서론 7
• 제1절 연구배경 7
• 제2장 관련연구 11
• 제1절 수중 고속 운동체 탐지 11
• 제2절 GSFM 펄스열 파형 설계를 위한 추적 성능 평가 기법 14
• 제3장 제안한 방법 19
• 제1절 고속 수중 이동체 추적을 위한 MDP 설계 19
• 제2절 파레토 최적을 적용한 변형된 DRL 알고리즘들 22
• 제4장 실험 결과 및 성능 평가 32
• 제1절 실험 환경 32
• 제2절 실험 결과 38
• 제3절 제안한 DRL 모델의 복잡성 분석 및 복잡성 감소 46
• 제4절 논의 51
• 제5장 결론 55
• 참고문헌 56
• ABSTRACT 63
• 감사의 말 65
• 연구업적 66