PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.17739v2cs.RO

ED3R: 로봇 시스템 내 협력형 에이전트를 통한 에너지 인지 분산 재난 감지

ED3R: Energy-Aware Distributed Disaster Detection via Cooperative Agents in Robotic Systems

불확실성, 자원 제약 및 엄격한 운용 제약 조건 하에서 의사결정을 내려야 하는 환경(environment) 모니터링과 재난 감지 분야에서 로봇 기술의 역할이 기대되고 있습니다. 산불과 같은 치명적인 임무에서 로봇은 충분한 신뢰도를 가지고 위험 상황을 식별해야 할 뿐만 아니라, 감지 시점까지의 에너지 비용과 시간 또한 관리해야 합니다. 본 논문에서는 로봇과 원격 제어기 간의 계층적 협력 의사결정을 가능하게 하는, 불확실성 하에서의 산불 감지를 위한 에너지 인지 분산 프레임워크인 ED3R을 소개합니다. 원격 제어기는 로봇의 움직임을 결정하는 반면, 로봇은 환경을 감지하고 산불 감지를 어디서(온보드 또는 원격) 어떻게 수행할지 결정합니다. 공통의 목표는 로봇의 모든 운용에서 소비되는 에너지를 최소화하면서 요구되는 신뢰도로 산불을 감지하는 것입니다. ED3R은 추가로 주변 장애물 회피, 중복 탐험(exploration) 방지, 적응형 조기 임무 완료 지원, 맞춤형 페널티 함수를 통한 실현 가능성 확보 메커니즘을 통합합니다. 또한 ED3R은 실행 전 후보 전략을 평가하여 에이전트(agent)가 미래를 예측할 수 있도록 돕는 분산 신경망 회귀 모델 기반의 미래 예측 기능을 도입합니다. 이 프레임워크는 사실적인 로봇 시뮬레이션, 절제 연구(ablation study), 그리고 기준선(baseline) 비교를 통해 평가됩니다. ED3R은 오탐(false positive) 및 배터리 방전을 제외하고 요구 신뢰도를 만족하는 진양성(true positive) 감지를 달성한 임무의 비율로 정의된 임무 성공률을 최대 97.18%까지 달성합니다. 특히 가장 까다로운 임무에서 기준선 대비 에너지 소비를 최대 36.4% 절감하고 산불을 최대 41% 더 빠르게 감지합니다.

arXiv:2610.01994v1cs.CV

산불 탐지를 위한 그래디언트 부스팅(gradient boosting) 알고리즘과 GOES FDC의 비교

Comparing a gradient boosting algorithm to the GOES FDC for wildfire detection

산불은 인명, 생태계, 재산에 심각한 위험을 초래합니다. 본 연구는 GOES ABI 영상으로부터 산불을 탐지하기 위한 머신러닝(machine learning) 접근법을 제시합니다. 수천 장의 ABI 영상과 30만 건 이상의 일치하는 VIIRS 산불 탐지 데이터를 포함하는 대규모 데이터셋(dataset)으로 CatBoost 모델(model)을 학습(training)했습니다. 5개 지역에 걸친 별도의 데이터셋에 대한 평가(evaluation) 결과, 학습된 CatBoost 모델은 실제 운영 중인 GOES FDC(Fire Detection and Characterization) 산출물보다 우수한 성능을 보였습니다. 해당 모델은 학습 영역 내부와 외부 모두에서 더 높은 정밀도(precision), 재현율(recall), F1 점수를 달성했습니다. CatBoost 모델은 모든 지역에서 GOES FDC보다 0.16에서 0.38 더 높은 F1 점수를 기록했습니다. 또한 51건의 과거 산불 사례 중 CatBoost는 VIIRS 및 GOES FDC보다 먼저 26건의 산불을 탐지한 반면, GOES FDC가 더 일찍 탐지한 사례는 6건에 불과했습니다. 중요한 점은 GOES FDC가 약 0.03의 매우 낮은 재현율 값을 얻은 반면, CatBoost 모델은 야간에도 정확한 산불 탐지를 달성했다는 것입니다. 본 연구는 머신러닝 모델이 더 높은 정확도, 더 적은 오경보, 조기 탐지를 포함하여 기존 정지궤도 위성 산불 산출물 대비 상당한 개선을 제공할 수 있음을 보여줍니다.