본 논문은 무인 지상 차량, 특히 ROMIE라는 자율 채광 샘플링 로봇을 위한 전역 경로 계획(GPP)에 대한 심층적인 연구를 제시합니다. ROMIE의 최적 성능을 위해 필수적인 GPP는, 광산 현장의 모든 샘플링 위치를 커버하는 가장 효율적인 경로를 결정하는 복잡한 그래프 이론 문제인 외판원 순회 문제(Traveling Salesman Problem)를 해결하는 것으로 귀결됩니다. 본 연구는 비용 효율적인 소프트웨어와 웹 애플리케이션을 개발, 평가 및 개선함으로써 GPP를 발전시키는 것을 주요 목표로 합니다. Google Operations Research (OR)-Tools 최적화 알고리즘에 대한 광범위한 비교 분석을 수행하며, 강화 학습 기법을 OR-Tools에 통합하여 그 성능 한계를 시험하고, OR-Tools와의 성능 비교를 통해 계산 효율성과 실제 적용 효율성을 평가합니다. 각 기법의 효과와 실제 적용 가능성에 대한 통찰력을 제공하고자 하며, 그 결과 Q-Learning이 데이터 세트 전반에 걸쳐 최적 솔루션에서 평균 1.2%만 벗어나는 우수한 효율성을 보이는 최적 전략으로 나타났음을 밝힙니다.
