전이학습기반 심층 강화학습 알고리즘을 활용한 동적 환경에서의 공간 적응적 자율이동 탐색 무인기 설계 = Design of a Deep Reinforcement Learning Algorithm for Spatially Adaptive UAV Autonomous Navigation based on Transfer Learning

국문 초록 (Abstract)

본 연구는 다양한 환경에서의 탐색 효율성을 향상시키기 위해 전이학습을 활용한 공간 적응적 무인기 자율비행을 위한 심층 강화학습 알고리즘을 제안한다. 무인기는 군사와 민간 임무에서 중요한 역할을 하며, 다양한 동적 환경에서 작동해야 하는 도전 과제를 안고 있다. 기존의 강화학습 방법은 새로운 환경에서 학습을 처음부터 다시 시작해야 하므로 비효율적이다. 이를 해결하기 위해, 본 연구에서는 전이학습을 활용하여 하나의 환경에서 학습한 지식을 다른 환경에 적용함으로써 학습 속도와 에너지 효율성을 향상시켰다. Deep Q-Networks (DQN)와 전이학습을 결합한 알고리즘을 통해 무인기는 다양한 임무 구역에서 효율적으로 탐색하고 적응할 수 있게 되었다. 실험 결과, 제안된 방법이 기존의 강화학습 기법에 비해 빠른 수렴 속도와 우수한 탐색 성능을 보여주었으며, 실전 응용 가능성을 확인하였다.

다국어 초록 (Multilingual Abstract)

This study proposes a deep reinforcement learning algorithm for spatially adaptive unmanned aerial vehicle (UAV) autonomous navigation, utilizing transfer learning to enhance exploration efficiency across various environments. UAVs are vital for both military and civilian missions but face challenges when operating in diverse and dynamic settings. Traditional reinforcement learning methods are inefficient as they necessitate relearning from scratch in new environments. To overcome this limitation, the study implements transfer learning, which allows knowledge gained in one environment to be applied in another, thus improving learning speed and energy efficiency. By integrating Deep Q-Networks (DQN) with transfer learning, UAVs can effectively explore and adapt to different mission areas. Experimental results indicate that the proposed method achieves faster convergence and superior exploration performance compared to existing reinforcement learning techniques, highlighting its potential for practical applications.