본 논문은 보행자 밀집 환경에서 안전한 자율 이동 로봇 내비게이션을 위한 새로운 접근 방식을 제시합니다. 딥 강화 학습(DRL) 기반의 로봇 행동에 불확실성 추정을 통합하여, 알레아토릭, 에피스테믹, 예측 불확실성을 고려합니다. 관측값 의존 분산(ODV)과 드롭아웃을 PPO 알고리즘에 통합하고, 딥 앙상블과 몬테카를로 드롭아웃(MC-dropout)을 비교 분석하여 정책의 불확실성을 추정합니다. 불확실한 의사결정 상황에서는 로봇의 사회적 행동을 보수적인 충돌 회피로 전환합니다. 실험 결과, ODV와 드롭아웃을 사용한 PPO의 향상된 학습 성능과, 학습 시나리오가 일반화에 미치는 영향을 보여줍니다. MC-dropout은 섭동에 더 민감하게 반응하고 불확실성 유형과 섭동을 더 잘 상관시키는 것으로 나타났습니다. 안전한 행동 선택을 통해 로봇은 섭동 환경에서 충돌을 줄이며 내비게이션을 수행할 수 있습니다.
