수중 광 데이터 및 전력 동시 전송을 위한 메타학습 기반 자원 분배

다국어 초록 (Multilingual Abstract)

Underwater optical wireless communication （UOWC） has emerged as a promising alternative for next-generation underwater communications, offering significantly higher data rates than acoustic links and overcoming the severe attenuation experienced by radio-frequency signals in seawater. Among UOWC-based techniques, simultaneous lightwave information and power transfer （SLIPT） is particularly attractive because it can deliver both data and energy through a single light beam, opening up self-sustainable operation of underwater sensors. However, applying SLIPT in practical scenarios involving a remotely operated vehicle （ROV） and multiple energy-deprived underwater sensors （ED-USs） raises a challenging joint optimization problem. The time-switching ratio and power-splitting ratio of SLIPT, together with the mode-switching ratio of time-division duplex （TDD）, must be jointly adapted while channel conditions vary significantly due to alignment errors, turbulence, and water-quality fluctuations. This joint optimization problem is highly non-convex, and model-based approaches typically require accurate channel state information and prohibitive computation. This thesis proposes an online algorithm that addresses these challenges by integrating meta-learning into a soft actor-critic （SAC） framework, referred to as Meta-SAC. The ROV is set as the learning agent, and each ED-US interaction is treated as a meta-task. The inner loop performs SAC updates that refine the policy for the current ED-US, while the outer loop adapts the entropy temperature parameter through meta-learning, providing favorable initialization for subsequent ED-USs. The reward function is designed with penalty terms and a safety margin to ensure that the SLIPT downlink rate threshold and laser-diode hardware constraints are robustly satisfied along with the maximization of the uplink sensing data rate.

목차 (Table of Contents)

• 1. 서론 1
• 1.1 연구 배경 1
• 1.2 연구 동기 6
• 1.3 연구 목표 및 기여 8
• 1.4 논문의 구성 10
• 2. 관련 연구 12
• 2.1 수중 광무선 통신 기술 동향 12
• 2.2 SLIPT 기법 연구 동향 14
• 2.3 무선 통신을 위한 강화학습 응용 16
• 2.4 무선 통신을 위한 메타학습 응용 18
• 3. 시스템 모델 20
• 3.1 시스템 구성 및 임무 시나리오 20
• 3.2 광 신호 변조 및 송신 모델 23
• 3.3 UOWC의 채널 모델 25
• 3.4 정렬 오차와 시간 척도 분리 29
• 4. 하이브리드 SLIPT 및 결합 최적화 문제 31
• 4.1 SLIPT 기법 비교 31
• 4.2 하이브리드 TS-PS SLIPT의 동작 33
• 4.3 에너지 하베스팅 모델 35
• 4.4 정보 디코딩과 다운링크 데이터율 37
• 4.5 TDD 프레임 구조 및 SDT 38
• 4.6 업링크 데이터율과 에너지 인과성 39
• 4.7 결합 최적화 문제 정식화 41
• 4.8 전통적 최적화 방식 접근의 한계 43
• 5. 메타학습 기반 SAC 알고리즘 45
• 5.1 MDP 정식화 45
• 5.2 상태·행동·보상 설계 47
• 5.3 표준 SAC 알고리즘 50
• 5.4 메타학습의 기본 개념 53
• 5.5 Meta-SAC: SAC와 메타학습의 결합 55
• 5.6 통합 알고리즘 의사 코드 57
• 6. 시뮬레이션 결과 및 분석 59
• 6.1 시뮬레이션 환경 구성 59
• 6.2 비교 대상 알고리즘 62
• 6.3 평균 데이터율 성능 64
• 6.4 정렬 오차에 대한 강건성 66
• 6.5 요구 임계값 변화의 영향 68
• 6.6 수질 변화의 영향 69
• 6.7 광원 하드웨어 제약의 영향 71
• 6.8 수렴 속도 및 표본 효율성 73
• 6.9 정책 분포 안정성 분석 75
• 6.10 메타학습률 민감도 분석 77
• 7. 결론 및 향후 연구 80
• 7.1 연구요약 80
• 7.2 기여 및 의의 81
• 7.3 고찰 및 향후 연구 82
• 참고문헌 83