본 논문은 시스템 모델의 불확실성과 외부 방해 요소로 인해 최적 제어 정책을 식별하는 데 어려움을 겪는 실제 제어 시스템 문제를 다룹니다. $H_\infty$ 제어 기법은 방해 요소의 영향을 완화하는 강인한 제어기를 설계하는 데 일반적으로 사용되지만, 복잡하고 계산 집약적인 계산이 필요합니다. 이 문제를 해결하기 위해, 본 논문은 $H_\infty$ 제어 문제를 두 플레이어 제로섬 동적 게임으로 공식화하는 강인한 결정적 정책 경사(RDPG)라는 강화 학습 알고리즘을 제안합니다. 여기서 한 플레이어(사용자)는 비용을 최소화하고 다른 플레이어(적대자)는 비용을 극대화하려고 합니다. 결정적 정책 경사(DPG)와 그 심층 강화 학습 상대 알고리즘을 사용하여 효과적인 방해 감쇠를 갖는 강인한 제어 정책을 학습합니다. 실제 구현을 위해, 심층 신경망 아키텍처를 사용하고 안정성과 학습 효율을 향상시키기 위해 twin-delayed deep deterministic policy gradient (TD3)의 기법을 통합한 강인한 심층 결정적 정책 경사(RDDPG) 알고리즘을 제안합니다. 제안된 알고리즘을 방해가 많은 환경에서 미리 정의된 경로를 따라가는 무인 항공기(UAV)에 적용하여 평가합니다. 실험 결과는 제안된 방법이 다른 제어 방식보다 방해에 대한 강인성 측면에서 우수하며, 심각한 방해 조건에서도 이동 목표물을 정밀하게 실시간으로 추적할 수 있음을 보여줍니다.
