Depth-Constrained ASV Navigation with Deep RL and Limited Sensing
Created by
- Haebom
Category
Empty
저자
Amirhossein Zhalehmehrabi, Daniele Meli, Francesco Dal Santo, Francesco Trotti, Alessandro Farinelli
개요
자율 수상 차량(ASV)의 얕은 수심 환경에서의 항해는 동적 방해와 수심 제약으로 인해 어렵다. 본 논문에서는 딥 빔 에코 사운더(SBES)로부터의 단일 수심 측정치만을 사용하여 안전한 지역을 피하면서 목표 지점에 도달해야 하는, 수심 제약 조건 하의 ASV 항해를 위한 강화 학습(RL) 프레임워크를 제안한다. 환경 인식을 향상시키기 위해 가우시안 프로세스(GP) 회귀를 RL 프레임워크에 통합하여 희소 음향 측심 데이터를 기반으로 점진적으로 수심 지도를 추정한다. 시뮬레이션 환경에서 훈련된 정책이 실제 환경에서도 잘 일반화되도록 효과적인 sim-to-real 전송을 수행한다. 실험 결과는 제안된 방법이 어려운 얕은 수심 환경에서 안전성을 유지하면서 ASV 항해 성능을 향상시키는 능력을 입증한다.
시사점, 한계점
•
시사점:
◦
강화 학습을 활용하여 얕은 수심 환경에서 ASV의 항해 문제를 해결.
◦
가우시안 프로세스를 통합하여 환경 인식을 개선하고, 희소한 센서 정보로 수심 지도를 추정.
◦
sim-to-real 전송을 통해 실제 환경에서의 일반화 성능을 확보.
◦
안전성과 항해 성능을 모두 향상시키는 결과를 보임.
•
한계점:
◦
단일 빔 에코 사운더(SBES)만 사용하므로 주변 환경에 대한 정보가 제한적일 수 있음.
◦
실제 환경의 다양한 변동성을 완벽하게 반영하지 못할 수 있음.
◦
수심 지도 추정의 정확도는 SBES 데이터의 품질에 의존적임.
◦
복잡한 환경이나 다른 센서의 통합에 대한 추가 연구가 필요할 수 있음.
