협력적 공중-지상 핸드오버 임무를 위한 학습 가속 최적화 기반 궤적 계획

요약

본 논문은 UAV와 UGV 간의 협력적 핸드오버 임무를 위해 학습 기반의 궤적 계획 프레임워크를 제안합니다. LSTM 기반의 신경망 대리 플래너를 사용하여 중앙 집중식 최적화 도구에 웜 스타트(warm starts)를 제공함으로써 계산 비용을 획기적으로 줄였습니다. 실험 결과, 기존 방식 대비 3배 이상의 속도 향상과 100%의 최적화 성공률을 기록하며 실시간 적용 가능성을 입증했습니다.

핵심 포인트

• LSTM 기반 인코더-디코더 네트워크를 활용한 신경망 대리 플래너 제안
• 데이터 기반 추론과 모델 기반 정밀화의 결합을 통한 궤적 최적화 가속화
• 기존 콜드 스타트 방식 대비 3배 이상의 연산 속도 향상 달성
• 이기종 다중 로봇 시스템(UAV-UGV)에서의 100% 최적화 성공률 확보