Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
DVL-DeepONet은 물리 법칙을 가이드로 활용하는 심층 신경 연산자 프레임워크로, 노이즈가 심하거나 데이터가 불완전한 수중 환경에서 AUV의 속도를 정밀하게 추정합니다. 실제 실험을 통해 기존 모델 대비 40% 향상된 성능을 입증하며 탄력적인 수중 항법 가능성을 제시했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기자율 수중 이동체 (AUVs)는 항법을 위해 관성 센서와 도플러 속도 로그 (DVLs)의 융합에 크게 의존합니다. 표준 자율 항법 시스템에서 DVL은 4개의 빔 속도를 측정하여 AUV 속도 벡터의 추정을 가능하게 합니다. 그러나 실제 임무 수행 중에는 해양 장애물, 해저 반사 또는 환경적 교란으로 인해 DVL이 노이즈가 섞이거나 불완전한 빔 측정값을 받을 수 있습니다. 또한, 시스템 복잡성과 비용을 줄이기 위해 일부 저가형 수중 플랫폼은 관성 센서 없이 작동하기도 합니다. 이러한 경우, 실제 빔 누락 시나리오에서 AUV 속도 벡터를 신뢰성 있게 추정하는 것은 어려워지며, 이는 항법 솔루션의 성능 저하로 이어집니다. 이러한 문제를 우회하고 탄력적인 수중 항법을 가능하게 하기 위해, 우리는 세 가지 변형 모델을 포함하는 물리 가이드 기반 심층 신경 연산자 (deep neural operator) 프레임워크인 DVL-DeepONet을 제안합니다. 제안된 모델들은 다음과 같은 다양한 운영 시나리오 하에서 DVL 기반 속도 정보를 추정하도록 설계되었습니다: (i) 결합된 관성/DVL 측정에서의 노이즈 탄력적 추정, (ii) DVL 전용 학습, (iii) 빔 측정 복구. 일관성 제약 조건 (consistency constraint)을 통해 DVL 측정 물리 법칙을 강제하는 동시에, 시간적 관성/DVL 관측값을 차량 속도로 직접 매핑하는 비선형 연산자 (nonlinear operator)를 학습함으로써, 제안된 접근 방식은 센싱 조건이 저하된 상황에서도 강건한 속도 추정을 가능하게 합니다. 제안된 프레임워크는 약 10,000m의 누적 경로 길이를 포함하는 실제 AUV 실험을 통해 검증되었습니다. 실험 결과, 제안된 DVL-DeepONet 아키텍처는 기존의 모델 기반 접근 방식 및 학습 기반 알고리즘보다 40% 더 우수한 성능을 보여주었습니다.