High-Speed Underwater Object Position Tracking Using Deep Q-Network

칼만 필터(KF)와 그 변형은 컴퓨터 비전, 레이더, 소나 분야에서 표적 추적에 널리 사용되지만, 비선형 고속 표적 추적에는 한계가 있다. 따라서 본 연구는 대표적인 심층 강화 알고리즘인 Deep Q-Network(DQN)를 기반으로 고속 수중 물체를 추적하는 새로운 접근 방식을 제안하였다. 제안한 방법은 고속 표적 추적에 DQN을 적용하기 위한 마르코프 결정 과정을 정의하고 신경망 업데이트 과정에 파레토 최적을 적용하여 표적 탐지와 오탐지 확률 간의 균형을 최적화하여 효과적인 에이전트 훈련을 가능하게 한다. 특히, 본 연구는 기존 수학적 모델 기반 접근을 넘어, 복잡한 수중 환경에 적용 가능한 강화 학습 기반 추적 기법을 제시했다는 점에서 의의가 있다. 시뮬레이션 실험을 통해 제안 기법은 기존 칼만 필터 계열 방법 대비 평균 70% 향상된 추적 정확도를 보여주었으며, DQN 기반 알고리즘이 고속 수중 표적 추적에서 효과적인 대안이 될 수 있음을 확인하였다.