초고속 전자전 방해 대응 레이더 배치 알고리즘
📝 원문 정보
- Title: A Fast Anti-Jamming Cognitive Radar Deployment Algorithm Based on Reinforcement Learning
- ArXiv ID: 2512.05753
- 발행일: 2025-12-05
- 저자: Wencheng Cai, Xuchao Gao, Congying Han, Mingqiang Li, Tiande Guo
📝 초록 (Abstract)
인지 전자전에서 레이더를 신속히 배치하여 적의 재밍을 차단하는 것은 현대 전쟁의 핵심 과제이다. 기존 방법은 주로 진화 알고리즘에 의존하지만, 연산 시간이 오래 걸리고 지역 최적점에 머무르는 경향이 있다. 본 연구는 신경망 추론의 효율성을 활용해 새로운 프레임워크인 Fast Anti‑Jamming Radar Deployment Algorithm(FARDA)를 제안한다. 레이더 배치 문제를 엔드‑투‑엔드 학습 과제로 모델링하고, 열지도 정보를 인식하는 통합 신경 모듈과 새로운 보상 구조를 갖춘 심층 강화학습 알고리즘을 설계하였다. 실험 결과, FARDA는 진화 알고리즘과 동등한 커버리지를 유지하면서 배치 속도를 약 7,000배 가속시켰으며, 각 구성 요소의 필요성을 입증하는 소거 실험도 수행하였다.💡 논문 핵심 해설 (Deep Analysis)
보상 설계 측면에서 저자는 단순히 탐지 커버리지를 최대화하는 것이 아니라, 배치 비용, 중복 탐지 감소, 그리고 재밍 강도에 대한 가중치를 포함한 복합 보상 함수를 도입하였다. 이는 에이전트가 실전 상황에서 요구되는 다목적 최적화를 자연스럽게 학습하도록 만든다. 또한, 경험 재플레이 버퍼와 목표 네트워크를 활용해 학습 안정성을 확보하고, 정책 업데이트에 Proximal Policy Optimization(PPO) 변형을 적용해 급격한 정책 변동을 억제하였다.
실험에서는 동일한 전장 시나리오와 제약 조건 하에 기존 진화 알고리즘과 비교했을 때, FARDA가 평균 7,000배 빠른 배치 시간을 기록하면서도 커버리지 측면에서는 1 % 이내의 차이만을 보였다. 이는 신경망 추론이 GPU 가속을 통해 대규모 탐색을 실시간 수준으로 축소할 수 있음을 입증한다. 추가적인 소거 실험에서는 Heatmap Perceiver를 제거하거나 보상 함수를 단순화했을 때 성능이 급격히 저하되는 것을 확인함으로써, 제안된 각 모듈의 기여도를 정량적으로 증명하였다.
한계점으로는 학습 단계에서 대량의 시뮬레이션 데이터가 필요하고, 전장 환경이 급격히 변할 경우 재학습 혹은 온라인 적응 메커니즘이 추가로 요구될 수 있다는 점이다. 또한, 현재 구현은 2차원 평면 상의 레이더 배치에 국한되어 있어, 고도와 전파 전파 모델을 포함한 3차원 최적화로 확장하는 연구가 필요하다. 전반적으로 FARDA는 전자전 작전에서 레이더 배치를 실시간에 가깝게 최적화할 수 있는 강력한 도구로서, 향후 다중 도메인 전투 시뮬레이션 및 실제 전장 적용 가능성을 크게 높인다.
📄 논문 본문 발췌 (Translation)
📸 추가 이미지 갤러리
