Placing unmanned aerial vehicles (UAVs) as aerial base stations is non-convex and combinatorial, so practical methods first discretize the continuous airspace into a finite set of candidate positions---a uniform grid or clustering centroids---and optimize over that set. Built from Euclidean distance alone, the candidate set is channel-blind: it ignores line-of-sight probability and the co-channel interference that limits achievable rate under full frequency reuse. No optimizer can select a position the candidate set omits, so good locations the geometry missed are lost before the search begins. We propose Rate-Aware Quantum-Assisted Graph Condensation (RA-QAGC), a two-stage framework that makes the candidate set itself the object of optimization. The first stage constructs it by annealing a cost that embeds tier-weighted achievable rate, mean co-channel interference, and an explicit minimum-rate penalty, yielding a compact, mobility-feasible waypoint graph. The second stage learns trajectories over that graph with decentralized independent Q-learning agents, replacing a centralized joint-action table with one compact table per UAV. RA-QAGC improves priority-tier throughput by 21--54\% over seven baselines, including recent graph-neural and deep Q-network schemes, at no significant cost in aggregate throughput, and the margin widens as the fleet densifies. We additionally examine the quantum-inspired acceptance rule that recent aerial-networking work advocates, and report that its tunnelling floor confers no measurable advantage over classical simulated annealing at any fleet size tested, while annealing itself clearly outperforms greedy and random placement.
초기 저추력 우주선 임무 설계는 복잡한 해 공간, 다수의 목적함수, 그리고 많은 지역 최솟값(local minima)으로 특징지어지는 전역 탐색(global search) 문제이다. 이 단계에서는 임무 매개변수가 아직 완전히 정해지지 않은 경우가 많아, 다양한 매개변수 값에 대해 새로운 해를 높은 주기로 생성해야 한다. 최적 제어에 대한 간접 접근법과 결합하면, 디퓨전 모델은 고품질 초기 코스테이트(costate)를 나타내는 분포를 학습함으로써 이러한 탐색을 가속화할 수 있다. 그러나 학습 데이터를 생성하는 데는 여전히 많은 비용이 들며, 과거 데이터를 더 잘 활용할 수 있는 여지가 존재한다. 우리는 임무 매개변수에 대한 호모토피(homotopy)와 마르코프 체인 몬테카를로(Markov chain Monte Carlo, MCMC)를 결합하여 학습 데이터를 더 효율적으로 생성하는 전이학습 프레임워크를 제안한다. 이 접근법은 다목적 최적화 문제를 코스테이트 공간에서 정규화되지 않은 목표 분포로부터 샘플링하는 문제로 재구성한다. 우리는 원형 제한 3체 문제(circular restricted three-body problem)에서의 평면 다중 공전(multi-revolution) 전이 궤적에 대해, 계의 질량 매개변수에 대한 호모토피를 적용하여 세 가지 MCMC 알고리즘을 비교한다. 결과는 그래디언트 기반 MCMC 변형이 샘플 품질과 계산 비용 간에 가장 우수한 트레이드오프를 달성함을 보여준다. 테스트 전이 궤적의 경우, 제안된 프레임워크는 보조 제어 변환(adjoint control transformation)과 그래디언트 기반 최적화에 기반한 최신 간접 접근법에 비해 40% 더 많은 실현 가능한 해를 생성하고 더 높은 품질의 파레토 프런트(Pareto front)를 달성한다. 마지막으로, MCMC로 생성된 샘플은 질량 매개변수에 조건화된 디퓨전 모델을 파인튜닝하는 데 사용되어, 기저 해 분포에 대한 전역적 표현을 학습하고 새로운 해를 효율적으로 생성할 수 있게 한다. 이러한 결과는 전이학습 프레임워크가 매개변수가 변화하는 간접 궤적 최적화 문제를 효율적으로 해결하기 위한 실용적인 방법임을 입증한다.
우주선의 랑데부 및 근접 운용(RPO)은 현재 엔지니어가 고수준의 운용 의도를 안전하고 동역학적으로 실행 가능한 궤적으로 변환하는 전문 지식 집약적 과정을 통해 계획되므로, 확장 가능한 운용에 병목 현상을 초래합니다. 대규모 언어 모델(LLM) 기반 에이전트는 이러한 과정에 직관적인 인터페이스를 제공할 수 있지만, 그 출력은 궤도 역학, 운용 제약 조건 또는 허용 가능한 우주선 기동 구조에 본질적으로 그라운딩(grounding)되어 있지 않습니다. 본 논문에서는 LLM의 시맨틱 추론을 활용하는 동시에 생성된 계획의 물리적 타당성을 보장하기 위해, 재사용 가능한 동작 그래프와 도메인 특화 계획 모듈에 LLM 추론을 그라운딩하는 우주선 작업 및 동작 계획(TAMP)용 계층적 프레임워크를 제안합니다. 이 프레임워크 내에서 사전학습된 LLM은 자연어 명령을 부분 임무 명세(specification)로 매핑합니다. 연계된 플래너는 허용 가능한 운용 공간 내에서 명시되지 않은 결정을 해결합니다. 마지막으로, 궤적 최적화(trajectory optimization)를 통해 완성된 임무 명세를 동역학적으로 실행 가능한 궤적으로 변환합니다. 수치 실험 결과, 이러한 아키텍처는 프론티어 LLM을 활용했을 때 평가된 모든 분할에서 98%의 부분 임무 명세 완전 복구율을 달성하며 직접적인 LLM 생성 방식 대비 의도 복구 성능을 대폭 향상시키는 것으로 나타났습니다. 추가적인 테스트 시점 연산(test-time-compute) 실험에서는 컴팩트한 9B 모델의 경우 검증기 유도 수정(verifier-guided revision)을 통해 완전 복구율이 75%에서 88%로 증가했으며, 더 넓은 동작 계획 탐색을 통해 허용 가능한 궤적 실현 방안 간의 선택이 독립적으로 개선됨을 보여줍니다. 종합적으로, 이러한 결과는 우주선 RPO의 언어 기반 에이전트 계획을 위한 확장 가능하고 감증 가능한 기반을 마련합니다.
비볼록(nonconvex)하고 협소한 환경에서의 자율 주차는 여전히 어려운 과제로 남아 있다. 최적 제어(optimal control) 기법은 차량 동역학과 충돌 제약 조건을 명시적으로 강제할 수 있지만, 비볼록성은 솔버(solver)의 강건성을 저하시켜 실패를 유발할 수 있다. 대규모 언어 모델(LLM)은 강력한 의미적 추론 능력을 보이지만, 조밀한 궤적을 직접 생성할 경우 물리적 실현 가능성을 보장하기 어렵다. 우리는 LLM이 상위 수준의 이산적 기동(maneuver) 결정을 내리고, 최적 제어 모듈이 하위 수준의 차량 동역학과 충돌 제약 조건을 강제하는 통합 프레임워크인 SE-LLM-OCP를 제안한다. 온라인 단계에서 LLM은 희소한(sparse) 기동 계획을 제안하여 주차 과제를 일련의 단기(short-horizon) 궤적 최적화 문제들로 분해한다. 그런 다음 하위 수준 솔버가 최적 제어 문제들을 순차적으로 해결한다. 솔버가 실패하면 LLM은 솔버 및 검증 단계에서 얻은 실패 증거를 종합하여 재계획(replanning)을 안내한다. 오프라인 단계에서 SE-LLM-OCP는 누적된 온라인 실패 사례를 바탕으로 구조화된 의사결정 지식 베이스를 처음부터 자동으로 진화시킨다. 우리는 제안한 프레임워크를 자동차형 차량 모델과 차동 구동(differential-drive) 로봇에 대한 시뮬레이션에서 검증한다. 실험 결과, SE-LLM-OCP는 협소한 시나리오에서 더 안전한 자율 주차를 가능하게 하며, 동일한 기동 표현이 서로 다른 운동학적(kinematic) 플랫폼으로 전이될 수 있음을 보여준다.
휴머노이드 로봇은 운동학적 휴머노이드 동작 참조를 모방하여 복잡한 기술을 습득할 수 있지만, 접촉이 많은 상호작용에 대한 신뢰할 수 있는 참조를 얻기는 여전히 어렵다. 모션 캡처는 가림(occlusion)과 밀접한 물리적 접촉 하에서 품질이 저하되며, 리타게팅(retargeting)은 추가적인 접촉 및 기하학적 불일치를 초래한다. 우리는 희소 시공간 및 장면 제약 하에서 사전학습된 텍스트 조건 동작 모델의 초기 노이즈를 최적화하여 휴머노이드-장면 상호작용 동작 참조를 합성하는 프레임워크 HIGenNTO를 제안한다. 동일한 공식화는 원하는 접촉을 만족하고, 충돌을 피하며, 안정적인 지지를 유지하면서 사전(prior)의 현실성과 시간적 일관성을 보존하고, 처음부터 상호작용 동작을 생성하며 장기 행동을 단계별로 구성한다. 로봇-환경 및 로봇-객체 과제 전반에서 HIGenNTO는 시뮬레이션에서 추적 정책(tracking policy)으로 실행 가능한 동작을 생성하며, 온보드 센싱만으로 동작하는 깊이 조건 시각-운동(visuomotor) 정책 학습에 사용할 수 있다. 우리는 네 가지 접촉이 많은 과제에서 Unitree G1에 이러한 정책을 배포한다. 마지막으로, 과제 명세 자체를 코딩 에이전트가 작성할 수 있으며, 이 에이전트는 상호작용 과제를 제안하고 이를 프롬프트, 제약, 및 장면 프로그램으로 컴파일하여 평가한 8개 과제 중 3개와 추가 4개 행동을 작성했다. 종합하면, 이러한 결과는 고수준 과제 기술에서 물리적으로 실행 가능한 휴머노이드 상호작용까지의 확장 가능한 경로를 제시한다.
우주 매니퓰레이터로 회전하는 객체를 자율 포착하려면 실시간 온보드 제약 하에서 궤적 생성이 필요하다. 그러나 결합된 버스-암(bus-arm) 동역학, 회전하는 안전 기하, 가시성 요구사항 때문에 기본 최적화(optimization)는 매우 비볼록(nonconvex)해져 해석 비용이 크고 초기화(initialization)에 민감하다. 본 논문은 2단계 순차 볼록 프로그래밍(SCP, sequential convex programming) 프레임워크에서 계산적으로 지배적인 자세-매니퓰레이터(attitude-manipulator) 단계를 위한 인과적(causal) 트랜스포머 웜 스타트를 제안한다. 임베드 하드웨어에서 평가한 300개의 홀드아웃(held-out) 시나리오에서, 학습된 웜 스타트는 수치적 실행 가능성(feasibility)을 유지하고 최종 제어 비용을 맞추면서 2단계 SCP의 반복 횟수를 최대 32%, 실행 시간을 16% 줄였다. 또한 action-chunk 길이와 학습(training) 데이터셋(dataset) 크기에 걸쳐 선형(linear)과 flow matching 액션 디코더를 비교했으며, flow matching 디코더가 선형 디코더보다 더 강한 학습 데이터 효율을 보였다. SCP를 실행 가능성(feasibility) 기준으로 종료하면 실행 시간이 더 줄어들며, 학습된 사전(prior)은 휴리스틱 초기화(heuristic initialization)에서 관측된 심각한 고비용 꼬리(high-cost tail)를 억제한다. 이러한 결과는 학습된 웜 스타트가 온보드 최적화 비용을 줄이면서 SCP를 실행 가능하고 저비용 해를 포함하는 유역(basin)으로 유도할 수 있음을 보여준다.
사족보행 로봇이 험준한 야외 환경부터 도시 풍경에 이르는 복잡한 지형을 횡단하게 하려면, 여러 운동 기술의 원활한 통합, 보행 패턴(gait) 간의 매끄러운 전환, 그리고 온보드 센서만을 이용한 고속 인지 기반 보행이 필요하다. 우리는 APT-RL(Action Pretrained Transformer-based Reinforcement Learning)을 제안한다. 이는 온보드 지각과 연산만을 활용한 자율적 기술 전환을 통해 복잡한 환경에서 고속 횡단을 달성하는 다중 기술 보행을 가능하게 하는 통합 프레임워크이다. 우리의 접근법은 단순화된 동역학을 이용한 궤적 최적화를 통해 대규모의 특징 풍부 2D 동작 데이터셋을 생성한다. 이 데이터셋은 복잡하고 고르지 않은 지형에서 작동하는 실제 사족보행 로봇으로 효과적으로 전이되는 다양하고 재사용 가능한 보행 기술의 학습을 가능하게 한다. 그 결과 얻어진 고품질 기술은 복잡한 하류 작업의 효율적 학습을 위한 강력한 사전(prior)으로 작용하며, 3D 환경으로 자연스럽게 확장되어 배포된 정책에서 매끄럽고 고속의 다중 기술 보행을 가능하게 한다. 실세계 실험은 이 프레임워크의 능력을 입증한다. 로봇은 복잡한 실내 장애물과 야외 자연 환경에서 민첩한 기동을 수행하며, 순간 최고 속도 최대 6m/s에 달하는 동적 낙하(drop-down) 기동을 포함한다. 단일 온보드 정책은 계단, 허들, 징검다리, 틈, 쓰러진 가지 등 다양한 장애물을 견고하게 횡단할 수 있게 하며, 우리 접근법의 다재다능함과 효과를 보여준다.
재사용 발사체의 고받음각 플립 기동(high-angle-of-attack flip maneuver)은 고도의 비선형 동역학, 공력 불확실성, 그리고 액추에이터 포화의 복합적 영향으로 인해 강인한 궤적 최적화에 상당한 어려움을 제기한다. 본 논문은 포화 인식 강인 궤적 최적화를 위한 미분 가능 물리학 프레임워크를 제안한다. 핵심으로, 앙상블 기반 분포 형성 전략을 통해 불확실성 전파를 최적화하는 미분 가능 파티클 튜브 제어(DPTC, Differentiable Particle Tube Control) 기법이 개발되었다. 상태 불확실성은 라그랑지안 파티클 앙상블로 표현되며, 엄격한 액추에이터 투영 연산자(hard actuator projection operators)가 계산 그래프에 직접 내장됨으로써, 명목 피드포워드 궤적과 시변 피드백 정책의 종단 간 역전파를 통한 결합 최적화가 가능하다. 제안된 프레임워크는 자동 미분 기반 순차 볼록화(AD-SCvx, Automatic Differentiation-based Successive Convexification) 기준선과 기존의 공분산 조종(covariance steering) 피드백 전략을 결합한 방식과 비교 평가된다. 6자유도 몬테카를로 시뮬레이션 결과, 기준선이 명목 연료 최적 해를 달성하는 반면, 비제약 피드백 구성이 공력 교란 하에서 액추에이터 포화에 취약해져 폐루프 강인성이 저하됨을 보인다. 이와 대조적으로, 제안된 DPTC 프레임워크는 중요한 제어 권한(control authority)을 보존하기 위해 공간 추적을 완화함으로써 제약 인식 성능 절충을 능동적으로 수행한다. 이러한 결과는 미분 가능 물리학과 앙상블 기반 최적화의 통합이 고도로 제약된 항공우주 비행 시스템에서의 강인한 유도(guidance)를 위한 효과적이고 실용적인 프레임워크를 제공함을 입증한다.
The deployment of unmanned aerial vehicles (UAV) as open radio units (O-RUs) in 6G cellular systems presents a promising opportunity to achieve scalable and adaptive network coverage. However, optimizing UAV trajectories in dynamic and unfamiliar environments remains a critical challenge, particularly due to the need for extensive retraining in each new scenario. In this paper, we introduce a novel UAV trajectory optimization framework that integrates enhanced continual transfer learning within the O-RAN architecture. The proposed system maintains a library of pre-trained models and employs a model selection mechanism to identify and transfer knowledge from the most relevant environments, minimizing adaptation time and improving efficiency. When no sufficiently similar model is available, a fallback model empowered by continuous refinements ensures baseline performance. The framework leverages real-world city maps and ray tracing techniques to enhance learning reliability and improve trajectory planning. Simulation results demonstrate that the proposed model selection-based transfer learning approach reduces convergence time by 44% to 56% compared to retraining from scratch, and up to 40% compared to traditional transfer learning without model selection.
분포 무관(distribution-agnostic) 강건한 궤적 최적화를 위해 기회 제약 강화학습(chance-constrained reinforcement learning) 기반 프레임워크를 제안하며, 결정론적 명목 궤적을 구조화된 아핀 폐루프 보정 법칙으로 강화하여 확률적 실행 가능성을 유지하면서 다양한 우주선 궤적 계획 문제에서 경쟁력 있는 성능을 달성했다.