비구조화 환경에서 임의 측정 경로를 따른 물리학 기반 로봇 방사선원 위치 추정
Physics-Guided Robotic Radiation Source Localization along Arbitrary Measurement Paths in Unstructured Environments
한국어 초록
로봇을 이용해 방사선 원의 위치를 추정하는 것은 효율성과 안전성을 높이는 효과적인 방법이다. 기존 방법은 정밀한 추정을 위해 로봇의 경로를 계획하는 데 초점을 맞추며, 일반적으로 원에 접근하는 방식을 취한다. 그러나 원에 접근할수록 로봇의 방사선 피해 위험이 커진다. 또한 방사선 원 위치 추정(RSL)만을 위해 설계된 경로 계획 알고리즘은 방사성 환경에 로봇을 투입하는 임무의 유연성을 제한한다. 본 연구는 물리학 정보 기반 머신러닝(PIML) 모델을 활용하여 미지 환경에서 측정 경로에 관계없이 방사선 원 위치를 정밀하게 추정하는 로봇 RSL 자동화 프레임워크를 제안한다. PIML을 위해 미지 장애물로부터 감쇠된 감마선 플럭스 신호를 처리할 수 있도록 물리학에서 영감을 받은 모델 텐서가 설계되었으며, RSL의 견고성과 정밀도를 향상시키기 위해 여러 모델이 병렬로 계산된다. 제안 방법은 공간 규모, 방사선 원 유형, 장애물 재료 및 기하, 로봇 궤적 등 다양한 무작위화된 영역에 대해 Monte Carlo 입자 수송을 사용하는 고정밀 시뮬레이션 환경에서 평가된다. 또한 시뮬레이션 기반 평가에 포함되지 않은 구성에 대한 물리 실험을 통해 검증된다. 연속 학습 기법은 실제 로봇 배포에 적용되어 온라인 로봇 RSL 시스템의 실용성을 높인다. 제안 방법은 로봇 방사선 인식을 점 단위 플럭스 감지에서 공간 지능으로 발전시킨다.
원문 초록
Using robots to estimate the location of the radiation source is an effective way to improve efficiency and safety. Existing methods focus on planning the robot's path to achieve precise estimation, typically approaching the source. However, approaching the source increases the risk of radiation damage to a robot. In addition, a path-planning algorithm designed solely for radiation source localization (RSL) limits the flexibility of missions that deploy robots into radioactive environments. This study presents an automation framework for robotic RSL that leverages a physics-informed machine learning (PIML) model to precisely estimate the source location, regardless of measurement paths, in unknown environments. Physics-inspired model tensors have been designed for PIML to handle attenuated gamma-ray flux signals from unknown obstacles, and multiple models are computed in parallel to improve the robustness and precision of the RSL. The proposed method is evaluated in high-fidelity simulation environments using Monte Carlo particle transport across diverse randomized domains, including spatial scales, radiation source types, obstacle materials and geometries, and robot trajectories. The method is also validated through physical experiments on configurations that are not included in the simulation-based evaluation. The continuous learning technique is applied in real-robot deployment to enhance the practical applicability of the online robotic RSL system. The proposed method advances robot radiation perception from pointwise flux detection to spatial intelligence.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.27624v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
머신러닝을 활용한 재귀적 상태 추정에서 근사 솔버의 수리 가능성
Repairability of Inexact Solvers in Recursive State Estimation with Machine Learning
재귀적 상태 추정은 종종 피드백 루프 안에서 근사적인 수치 해를 실행하며, 국소적으로 매우 정확한 단계가 전체적으로 더 나은 결과를 보장하지는 않는다. 고정된 선형 Kalman 모델에 대해, 규정된 부분공간과 노름 예산 내 보정이 국소 허용 가능성 허용 오차를 충족할 수 있는 조건을 특성화하고, 실제로 실행된 결함이 유한 구간 공분산 응답에 미치는 영향을 분석한다. 구현된 공분산에 대한 정확한 이득(gain)을 중심으로 각 결함을 두면 현재 솔브 오류와 상속된 이득 드리프트를 분리할 수 있다. 정확한 잔차-드리프트 항등식을 전개하면 2차 응답을 넘어 상반되는 4차 기여가 드러난다. 혁신(innovation) 공분산 팽창은 양의 방향으로, 국소 이득 재최적화는 음의 방향으로 작용한다. 일치하는 초기화 하에서, 고정 구간에서 유계 결함 열에 대해 균일한 절대 6차 나머지 상한은 2차 과소 또는 과대 예측에 대한 충분 조건을 제공한다. 머신러닝은 유계 보정을 제안하고, 학습기에 독립적인 잔차 증명서(residual certificate)와 검증된 폴백(fallback)이 기준 추정기를 바꾸지 않은 채 고전 및 양자 후보의 실행을 관장한다. 전력망 허용 오차 연구에서, 학습된 보정은 동일한 잔차 증명서 하에서 보정되지 않은 솔브에 비해 폴백 없이 배포할 때 최소 �共轭梯度(conjugate-gradient) 반복 횟수를 낮춘다. 변분 양자 선형 솔버와 어닐링 기반 이진 인코딩으로 재구성된 이득은 초전도 하드웨어上的 소규모 단말 측정과 양자 어닐러(quantum annealer)上的 샘pling을 거쳐 동일한 인터페이스로 실행된다. 국소 수리 가능성을 비선형 오류 전파와 연결함으로써, 이 프레임워크는 독립적 인증과 유한 구간 응답을 통해 근사 솔버와 학습된 보정을 평가하며, 하이브리드 양자-고전 계산 연구를 위한 실용적 토대를 제공한다.
클러스터형 텐세그리티 구조를 위한 에너지 기반 물리 정보 형상 결정
Energy-Based Physics-Informed Form Finding for Clustered Tensegrity Structures
텐세그리티 형상 결정과 물리적 특성 예측은 평형 구성과 내부 힘 분포를 결정하는 것을 목표로 하는 구조 역학의 기본적인 역문제이다. 이러한 문제는 기하학과 힘 사이의 결합으로 인한 강한 비선형성, 구조 안정성을 보장해야 할 필요성, 경계 조건 및 대칭성과 같은 제약 조건의 강제 등으로 인해 어렵다. 더욱이 전통적인 방법은 종종 노이즈와 이상치에 대한 강건성이 부족하다. 본 논문은 클러스터형 텐세그리티 형상 결정 및 물리적 특성 예측을 위한 에너지 기반 학습 프레임워크를 제안한다. 제안된 접근법은 총 포텐셜 에너지 최소화와 구성 관계를 학습 목적함수에 통합하여, 부재력 및 힘 밀도를 포함한 평형 노드 구성과 관련 물리량의 동시 예측을 가능하게 한다. 에너지 기반 물리 손실을 학습 과정에 직접 통합함으로써, 해당 프레임워크는 물리적 일관성, 강건성, 데이터 효율성을 향상시킨다. 프리즘 및 lander 시스템을 포함한 텐세그리티 구조에 대한 수치 실험은 제안된 접근법의 큰 잠재력을 보여 주며, 확장 가능한 형상 결정과 구조 특성의 정확한 예측 능력을 입증한다.
RTS 스무더 기반 물리 기반 신경 미분 모델 학습
RTS Smoother-Guided Learning of Physics-Based Neural Differential Models
상미분방정식(ODE)은 물리, 생물학, 신경과학, 생리학에서 동역학 시스템을 모델링하는 데 널리 사용되지만, 많은 응용에서는 동역학의 일부 방정식이 알려져 있지 않고 상태 변수(state variable)의 일부만 측정된다. 본 연구에서는 ODE의 알려진 구성 요소는 명시적으로 유지하고 누락된 구성 요소는 신경망으로 표현하는 하이브리드 신경-물리 프레임워크를 제안한다. 제안 방법은 상태 추정과 매개변수 추정을 번갈아 수행하는 두 단계로 구성되며, 사전에 정해진 기준을 만족할 때까지 반복한다. 구체적으로 첫 번째 단계에서는 모델 매개변수를 알려진 것으로 간주하고, 사용 가능한 측정값으로부터 Rauch-Tung-Striebel(RTS) 스무더를 이용해 잠재 상태(latent state)를 추론한다. 두 번째 단계에서는 스무딩된 궤적을 알려진 것으로 간주하고, 이를 이용해 역전파를 통해 신경망의 매개변수를 추정한다. 본 방법은 부분 상태 관측(partial state observation) 하에서 선형, 비선형, 강성(stiff) 동역학을 아우르는 벤치마크 시스템에서 평가한다. 이러한 설정 전반에서 제안 방법은 해석 가능한 기계론적(mechanistic) 구조를 활용하고 유지하면서 불완전한 측정으로부터 누락된 ODE 구성 요소를 학습하고, 잠재 상태 재구성과 장기 예측(long-horizon prediction)을 개선한다.
IMMNet: 기동 표적 추적을 위한 모델 기반 및 데이터 기반 접근법의 하이브리드 융합
IMMNet: Hybrid Fusion of Model-based and Data-driven Approaches for Maneuvering Target Tracking
3차원 공간에서의 기동 표적 추적은 복잡한 운동 역학과 모델 불일치로 인해 여전히 어려운 문제이다. 이를 해결하기 위해 본 논문은 상호작용 다중 모델(interacting multiple model, IMM) 알고리즘의 해석 가능한 구조와 학습 가능한 신경망 구성 요소를 통합한 하이브리드 모델/데이터 기반 알고리즘 IMMNet을 제안한다. 엔드투엔드 블랙박스 방식과 달리, 제안된 IMMNet 알고리즘은 실시간 레이더 응용에 필수적인 베이지안 추론 메커니즘을 유지할 수 있을 뿐만 아니라, 데이터로부터 운동 패턴과 노이즈 특성을 적응적으로 학습할 수 있다. 광범위한 실험을 통해 제안된 IMMNet 알고리즘이 다양한 시나리오에서 기존 알고리즘을 일관되게 능가함을 보여주며, 이는 기동 표적 추적을 위한 견고하고 해석 가능하며 실용적인 해결책임을 입증한다.
보손 가우시안 상태는 언제 고전적으로 학습할 수 있는가?
When are bosonic Gaussian states classical to learn?
물리학의 근본적인 질문 중 하나는 양자계에서 고전적 거동이 언제 나타나는가이다. 보손 가우시안 상태(bosonic Gaussian state)는 빛의 고전적 장(field) 거동과 본질적인 양자적 성질을 모두 포착하므로, 이러한 양자-고전 경계를 탐구하기에 자연스러운 환경을 제공한다. 본 연구에서는 학습 이론의 관점에서 이 문제를 다루며 다음과 같이 묻는다. 보손 가우시안 상태는 언제 고전적으로 학습할 수 있는가? 즉, n-모드 보손 가우시안 상태를 고전적인 2n변량 가우시안 분포를 학습할 때 필요한 만큼 적은 샘플과 그만큼 단순한 연산으로 학습할 수 있는 조건은 (있다면) 무엇인가? 우리는 상태의 열적 요동(thermal fluctuation)에 의해 결정되는 학습 가능성의 매끄러운 크로스오버를 규명한다. - 차가운 가우시안 상태는 학습 측면에서 비고전적이다. 공분산 행렬이 $\Sigma\le(\frac12+O(\frac1n))I$를 만족하여 진공 공분산에 가까운 경우, 단일 복사본(single-copy, 즉 얽힘이 없는) 측정 하의 토모그래피(tomography)는 근본적으로 $\Omega(n^3)$개의 복사본을 필요로 하며, 이는 고전적 가우시안 분포를 학습하는 샘플 복잡도 $\Theta(n^2)$를 엄밀하게 초과한다. 우리는 소수 복사본에 대한 얽힘 측정이 허용되더라도 이러한 어려움이 지속됨을 보인다. - 따뜻한 가우시안 상태는 학습 측면에서 고전적이다. 열적 요동이 진공 잡음을 초과하여 임의의 매개변수 $\nu>0$에 대해 $\Sigma\ge(\frac12+\nu)I$로 나타내지는 경우, 단일 복사본 토모그래피에는 $N=\Theta\left(n^2\min(n,1+\nu^{-1})\right)$개의 복사본이 필요함을 증명한다. 이 한계는 타이트(tight)하며, 단순하고 비적응적(non-adaptive)이며 얽힘이 없는 헤테로다인(heterodyne) 측정으로 달성된다. 특히 $\nu=\Omega(1)$인 경우 샘플 복잡도는 $\Theta(n^2)$로 줄어들어 고전적인 경우와 일치한다. 우리의 결과는 보손 가우시안 상태의 학습 가능성에서 나타나는 양자-고전 크로스오버를 엄밀하게 규명하고, 근본 물리학과 통계적 학습 이론 사이의 새로운 연결고리를 드러내며, 실제 센싱 실험에도 시사점을 가진다.
MLoRA:Continual Low-Rank Adaptation via Relative-Response Subspace Selection and Momentum Orthogonalization
토론
이 논문과 연결된 포럼 글이 아직 없습니다.