전기 관절 시스템은 수중 매니퓰레이터의 구동, 드라이브 및 제어에 있어 중요한 구성 요소이다. 수중 환경에서 작동할 때 관절은 큰 주변압을 받는다. 이를 견디기 위해 주변압 보상 방법이 일반적으로 사용되지만, 가압된 오일은 밀봉 문제뿐 아니라 관절 동역학 모델에 대한 파라미터 불확실성 및 알려지지 않은 외란을 야기한다. 이러한 문제를 해결하기 위해 본 연구는 수중 오일 충전 전기 관절을 위한 설계 프레임워크를 제안한다. 주변압 보상 모듈의 동역학을 분석하고, 내부 유압 오일을 밀봉하기 위해 관절 구조를 최적화한다. 오일 충전 관절의 불확실성 동역학 모델을 수립하고, 구조화 특이값 합성(structured singular value synthesis, μ-합성)에 기반한 강건 위치 제어기를 설계한다. 실험 결과는 제안 방법의 타당성을 검증한다.
수중 은밀 협력 임무에서 자율 수중 로봇(AUV)은 능동 소나에 의존해 지속적으로 완전한 정보를 얻을 수 없는 경우가 많다. 능동 감지와 빈번한 통신은 노출 위험을 높이기 때문이다. 결과적으로 AUV는 주로 수동 관측에 의존하며, 이 접근은 불완전한 국소 지각과 제한된 작업 효율을 초래한다. 수중 음향 통신은 정보 공유를 통해 이 한계를 완화할 수 있지만, 동시에 긴 지연, 심각한 간섭, 낮은 신뢰성, 은밀 노출 위험으로 제약받는다. 기존 통신 지향 다중 에이전트 강화학습(MARL) 연구는 통신을 이상적인 정보 흐름으로 모델링하는 경우가 많고, 전통적인 통신 최적화는 주로 링크 수준 성능에 초점을 맞춘다. 그러나 둘 다 은밀한 물리적 통신의 현실적 조건 하에서 협력 작업에 대한 지각 정보의 실제 기여를 특성화하기에는 불충분하다. 본 논문은 실용적 정보를 활용해 협력 작업에 대한 정보의 유용성을 특성화하고, 현실적인 통신 및 은밀 제약 하에서 분산 협력 정책을 학습하는 Sensed Information Value Realization Multi-Agent Reinforcement Learning(SVR-MARL) 프레임워크를 제안한다. 은밀 다중 AUV 협력 위치 추정 및 추적에 대한 사례 연구를 통해, 불필요한 통신과 노출 위험을 줄이면서 협력 작업 효율을 개선할 수 있는 제안 프레임워크의 잠재력을 보여준다.
Underwater vehicles operate from a fixed onboard energy budget that propulsion rapidly depletes, so a controller that completes its task while drawing less thruster power directly extends mission range and endurance. Reinforcement learning yields capable model-free controllers for station-keeping and trajectory tracking, but optimizing task accuracy alone drives the policy toward oscillatory, energy-wasting actuation. The established remedy subtracts an energy penalty from the reward, yet this sets the task-power trade-off through a single weight with no physical units: a target power level cannot be specified, the weight must be re-tuned for every vehicle and task, and a mismatched weight can even raise power. This paper instead formulates energy-efficient underwater control as a constrained Markov decision process in which average thruster power is subject to an explicit budget, solved with a PPO-Lagrangian algorithm. The power level is set by declaring a budget in physical units, and a single dual variable is updated online to meet it for each vehicle and task, without manual weight search. Across three vehicles and four tasks in the MarineGym simulator, the energy-constrained policy draws the least power in all twelve settings, reducing it by 14--65\% (up to 64.9\%) over a task-only baseline and below an energy-reward baseline everywhere, while remaining the smoothest in ten settings and preserving task accuracy except in one deliberately power-limited regime. Imposing energy as an explicit constraint thus offers a tuning-free route to energy-efficient underwater control that needs no per-vehicle, per-task weight search.
효과적인 다중 인간-로봇 협업은 도전적이고 고위험인 수중 환경에서 인간 주도 작업을 확장하는 데 필수적이다. 자율 수중 기체(AUV)가 진정한 팀원이 되려면, 주변을 이해하고 잠수부의 활동을 인식하여 지원을 제공하고 안전을 보장할 수 있어야 한다. 이 목표를 향해, 복잡한 수중 장면을 분석하여 잠수부 활동을 분류하는 새로운 트랜스포머 기반 프레임워크인 DAR-Net을 제안한다. 우리의 기여는 트랜스포머 기반 시간적 추론과 픽셀 수준 장면 감독을 결합하는 의미 기반 학습 공식에 있다. 이 다중 손실 학습 전략은 전역 활동 인식과 지역적 인간-로봇 상호작용 의미론을 명시적으로 정렬하며, 이는 특히 가시성이 낮은 수중 조건에서 매우 중요하다. 이 영역에서 데이터 부족이라는 중대한 과제를 해결하기 위해, 픽셀 수준 마스크가 포함된 2,600장 이상의 주석 이미지를 담은 최초의 Underwater Diver Activity(UDA) 데이터셋이라는 기초 자원을 제시한다. 통제된 환경에서의 엄격한 실험 평가를 통해, DAR-Net이 여섯 가지 구별되는 잠수부 활동을 인식하는 데 있어 유망한 정확도를 달성하며 최신(state-of-the-art) 모델들을 능가함을 보여준다. 이 데이터셋이 중요한 기준선을 제공하는 한편, 본 연구는 선구적인 단계로서 향후 연구의 토대를 마련하고 더 지능적이고 협력적인 수중 로봇 시스템의 개발을 촉진한다.