다중기능 레이더의 트랙 선택: 내시 균형과 상관 균형

초록

본 논문은 다중기능 레이더(MFR) 네트워크에서 여러 목표를 추적하기 위한 트랙 선택 문제를 비협조 게임으로 모델링하고, 완전 관측·연결 상황에서는 내시 균형을, 부분 관측·이질적 이해관계 상황에서는 상관 균형을 이용한 분산 알고리즘을 제안한다. 제안된 알고리즘은 중앙집중식 최적화에 비해 계산 복잡도가 낮으면서도 성능이 근접함을 시뮬레이션을 통해 입증한다.

상세 분석

이 논문은 다중기능 레이더(MFR) 네트워크에서 각 레이더가 제한된 측정 자원을 어떻게 배분하여 다수의 목표를 효율적으로 추적할 것인가라는 실용적인 문제를 게임 이론의 관점에서 체계적으로 접근한다. 먼저 레이더들을 플레이어, 각 레이더가 선택할 수 있는 목표 집합을 전략으로 정의하고, 추적 정확도를 직접적인 효용 함수로 설정한다. 효용 함수는 EKF 기반 추적 오차 공분산 감소량을 정량화한 형태이며, 이는 레이더가 특정 목표에 할당한 측정 횟수에 비례해 증가한다.

완전 관측·완전 연결 시나리오(Scenario 1)에서는 모든 레이더가 동일한 목표 집합을 관측하고, 서로의 측정 결과를 자유롭게 공유한다는 가정 하에 게임이 ‘협조 게임’ 형태를 띤다. 이 경우 내시 균형(Nash Equilibrium, NE)은 각 레이더가 자신의 전략을 바꾸어도 전체 효용이 감소하지 않는 배분을 의미한다. 논문은 이러한 NE가 존재함을 보이고, 특히 목표당 측정 횟수가 균등하게 분배될 때(예: 각 목표에 정확히 하나씩 할당) Pareto 최적에 가깝다는 점을 강조한다. 또한, NE를 찾기 위한 분산 베스트‑리스폰스 다이내믹스 알고리즘을 제안한다. 이 알고리즘은 각 레이더가 현재 다른 레이더의 선택을 관찰한 뒤, 자신의 효용을 최대화하는 목표를 순차적으로 선택하도록 설계되었으며, 수렴 속도가 빠르고 통신 오버헤드가 최소화된다.

다음으로 부분 관측·이질적 이해관계(Scenario 2)를 고려한다. 여기서는 레이더마다 관측 가능한 목표 집합이 다르고, 목표별 중요도(우선순위)도 다를 수 있다. 이러한 비대칭성은 단순한 내시 균형만으로는 효율적인 자원 배분을 보장하지 못한다. 따라서 논문은 상관 균형(Correlated Equilibrium, CE)을 도입한다. CE는 중앙 혹은 가상의 ‘레퍼리’가 공동 확률 분포를 제시하고, 각 레이더는 그 추천에 따라 행동함으로써 어느 한 레이더도 일방적으로 이득을 얻을 수 없게 만든다. 이를 구현하기 위해 ‘후회 매칭(Regret‑Matching)’ 기반의 분산 학습 알고리즘을 설계하였다. 각 레이더는 과거 행동에 대한 후회를 계산하고, 후회가 큰 전략에 더 높은 확률로 전환함으로써 전체 시스템이 CE 집합으로 수렴한다. 이 과정은 완전한 정보 교환 없이도 로컬 관측과 이웃 레이더와의 제한된 메시징만으로 가능하도록 설계되었다.

시뮬레이션 결과는 두 알고리즘 모두 중앙집중식 최적화(예: 전역적인 정수 선형 프로그램)와 비교했을 때, 평균 추적 오차 감소량, 자원 활용 효율성, 그리고 수렴 시간 측면에서 경쟁력을 보인다. 특히 CE 기반 알고리즘은 목표 우선순위가 크게 차이 나는 경우에도 높은 사회 복지를 달성한다는 점에서 실용적 가치가 크다.

전반적으로 이 연구는 레이더 네트워크에서 자원 할당 문제를 게임 이론적으로 모델링하고, 상황에 맞는 균형 개념(Nash vs Correlated)과 저복잡도 분산 알고리즘을 제시함으로써, 실시간 트랙 선택에 필요한 계산량을 크게 감소시키면서도 성능 저하를 최소화한다는 중요한 기여를 한다.