Machine Learning-based Low-noise Trajectory Optimization of Urban Air Mobility = 머신러닝 기반의 도심 항공 모빌리티의 저소음 경로 최적화

국문 초록 (Abstract)

도심 항공 모빌리티(UAM, Urban Air Mobility, UAM)은 단거리 항공 운항을 통해 도심 교통 혼잡을 완화할 수 있는 유망한 교통수단으로 주목받고 있다. 그러나 UAM 기체는 인구 밀집 지역의 저고도에서 운항하기 때문에 소음의 발생과 전파를 파악하는 것은 사회적 수용성 확보를 위해 해결해야 할 핵심 과제 중 하나이다. 기존의 소음원 차원의 저감 중심 접근법은 비행 조건 변화에 따라 음향 특성이 달라지는 UAM 기체의 소음 전파를 정밀하고 효율적으로 평가하는 데 한계가 있다. 이러한 방법들은 복잡한 3차원 도시 환경에서 전파된 소음의 공간적 분포를 정확히 반영하는 소음 지도를 신속하게 생성하지 못한다. 또한 비행 조건, 도시 형상, 음향 특성이 상호 영향을 미치는 결합 효과를 충분히 고려할 수 없기 때문에 전체 소음 영향을 효과적으로 저감하기 위한 전략을 수립하는 데 제한적으로 이루어져 왔다. 따라서 본 연구의 주요 목적은 복잡한 3차원 도시 환경에서 운용되는 멀티로터형 UAM 기체의 저소음 궤적을 최적화하기 위한 머신러닝 기반 모델을 개발하는 것이다.

연구의 첫 번째 파트에서는 도시 환경에서 소음 영향을 효율적으로 평가하기 위한 딥러닝(Deep learning, DL) 기반 소음 예측 모델을 개발하였다. 멀티로터형 UAM 기체의 다양한 비행 조건에서 소음 반구 데이터를 생성하기 위해 종합 멀티로터 소음 평가 (Comprehensive multirotor noise assessment, CONA) 프레임워크를 활용하였고, 대기 감쇠 및 다중 반사를 고려한 3차원 도시 환경에서의 소음 전파를 모사하기 위해 레이 트레이싱(Ray tracing) 기법을 적용하였다. 총 145,000개의 소음 지도를 생성하여 비행 조건과 도시 특성을 함께 고려할 수 있도록 변형된 U-Net 모델의 학습 및 검증에 활용하였다. 학습된 DL 모델은 광선 추적 기법 대비 2.56 dB의 평균 제곱근 오차(Root mean square error, RMSE)를 보이며 높은 예측 정확도를 달성하였으며, 계산 시간을 1800배 이상 단축시켰다. 이를 통해 복잡한 도시 환경에서의 UAM 소음 전파를 신속하게 평가할 수 있었다.

연구의 두 번째 파트에서는 저소음 비행 경로를 도출하기 위한 심층 강화학습(Deep reinforcement learning, DRL) 기반 최적화 모델을 구축하였다. 이 모델은 앞선 파트에서 개발된 DL 기반 소음 예측 모델과 소프트 액터 크리틱(SAC, Soft actor-critic) 알고리즘을 결합하여 소음을 최소화하면서 비행 제약조건을 만족하는 효율적인 비행 정책을 탐색하도록 구성하였다. 소음 저감 및 현실적인 운항 특성을 고려한 최적화를 유도하기 위해 수직이착륙장 접근 시 감속 제어 등을 포함한 네 가지 보상 함수를 정의하였다. 제안된 DRL 모델은 약 800회의 학습 에피소드 이후 90\% 이상의 성공률을 달성하였다. 단일, 다중, 전체 도심 지역을 대상으로 한 복수의 사례 연구를 수행한 결과, 제안된 최적 경로는 비행 시간만을 최소화하여 도출된 기준 경로 대비 평균 소음 수준과 고소음 노출 지역의 비율을 효과적으로 저감함을 검증하였다.

따라서 본 연구는 도시 소음의 효율적이고 물리적으로 일관된 평가와 저소음 비행 경로 최적화를 동시에 수행할 수 있는 통합 머신러닝 프레임워크를 제시하였다. 제안된 방법론은 DL 기반 소음 예측과 DRL 기반 궤적 계획을 결합함으로써 복잡한 도시 환경에서의 현실적인 UAM 운항을 지원하면서 계산 효율성과 음향 정확도를 동시에 달성하였다. 본 연구에서 개발된 프레임워크는 데이터 기반의 소음 인지형 비행 경로 계획을 위한 기반을 제공하며, 다양한 기체 구성, 환경 조건 및 미래 UAM 시스템에 확장 적용이 가능한 플랫폼으로서 활용에 기여할 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Urban air mobility (UAM) is emerging as a promising transportation mode that can alleviate urban traffic congestion through short-distance aerial operations. However, UAM vehicles operate at low altitudes in densely populated areas, and the generation and propagation of noise pose one of the most critical challenges to public acceptance. Conventional approaches focusing on noise reduction at the source level have inherent limitations in accurately and efficiently assessing noise propagation from UAM vehicles whose acoustic characteristics vary with changing flight conditions. These methods are unable to rapidly produce noise maps that capture the spatial distribution of propagated noise in complex three-dimensional urban environments. In addition, they cannot fully account for the coupled effects of flight conditions of UAM vehicle, wide urban geometries, and acoustic characteristics, which makes it difficult to establish effective strategies for reducing overall noise impact. Therefore, the main objective of this study is to develop a machine learning-based model for low-noise trajectory optimization of multirotor type UAM vehicles operating in complex three-dimensional urban environments.

The first part of this research develops a deep learning (DL)-based noise prediction model for efficient evaluation of noise impact in urban environments. The comprehensive multirotor noise assessment framework was employed to generate noise hemisphere datasets under various flight conditions of multirotor type UAM vehicles, and the ray tracing method was applied to simulate noise propagation in various three-dimensional urban settings while considering atmospheric attenuation and multiple reflections. A total of 145,000 noise maps were generated from these simulations and were used to train and evaluate a modified U‑Net model that integrates both flight conditions and urban characteristics. The trained DL model achieved a high prediction accuracy with a root mean square error of 2.56 dB compared with the ray tracing method, while reducing computational time by more than 1800 fold. This improvement enables rapid evaluation of UAM noise propagation in complex urban environments.

The second part establishes a deep reinforcement learning (DRL)-based optimization model to derive low-noise trajectories. This model integrates the DL-based noise prediction model developed in the first part with the soft actor-critic algorithm to explore effective flight policies that minimize noise while satisfying flight constraints. Four reward functions were defined to guide optimization toward noise reduction and realistic operational behavior, including deceleration control during the approach to vertiports. The proposed DRL model successfully achieved a success rate of more than 90 percent after approximately 800 training episodes. Multiple case studies were conducted for different target areas including single, multiple, and entire urban regions, and the results verified that the optimized trajectories effectively reduced both the average noise level and the proportion of high noise exposure areas compared with the reference trajectories that were optimized only to minimize flight time.

This dissertation presents a unified machine learning framework that enables efficient and physically consistent evaluation of urban noise and optimization of low-noise flight trajectories. By integrating DL-based noise prediction with DRL-based trajectory planning, the proposed methodology achieves both computational efficiency and acoustic accuracy while supporting realistic UAM operations in complex urban environments. The developed framework provides a foundation for data driven, noise aware flight path planning and offers an extendable platform that can be applied to various vehicle configurations, environmental conditions, and future UAM systems.

목차 (Table of Contents)

• Abstract i
• Contents iv
• List of Figures x
• Nomenclature xi
• Chapter 1. Introduction 1
• Chapter 2. Noise propagation in urban environment 14
• Chapter 3. Deep learning noise prediction model 33
• Chapter 4. Deep reinforcement learning model for trajectory optimization 47
• Chapter 5. Case studies on low-noise trajectory optimization 63
• Chapter 6. Conclusions and recommendations 82
• Appendix A. Gaussian beam tracing 86
• Bibliography 97
• 국문초록 109