스파스 가우시안 프로세스로 구현한 정보 기반 해양 모니터링 계획 및 온라인 학습

본 논문은 장기적인 해양 환경 모니터링을 목표로 하는 자율 해양 로봇 시스템을 설계하고, 그 핵심 알고리즘을 두 부분으로 나누어 제시한다. 첫 번째 부분은 “정보 기반(informative) 계획”이다. 로봇이 어느 위치에서 데이터를 수집할지 결정할 때, 전체 공간에 대한 상호 정보량(mutual information)을 최대화하는 것이 목표이다. 이를 위해 연구자는 전체 해양 영역을 격자(grid) 형태로 이산화하고, 각 격자에 대한 현재 예측 평균·분산을 SOGP 모델로부터 얻는다. 이후, 선택된 n개의 격자 집합 P가 전체 공간 X와의 상호 정보 I(Z_P; Z_{X\setminus P})를 최대화하도록 동적 프로그래밍(DP) 알고리즘을 적용한다. DP는 각 단계 i에서 후보 격자 x_i에 대해 이전 단계까지 선택된 격자들의 조건부 정보량을 누적 계산하고, 최적 경로를 역추적해 최종 샘플 집합 P*를 도출한다. 이 과정은 기존의 greedy‑based 혹은 서브모듈 최적화 방식보다 전역적인 최적을 보장한다. 최적 샘플 집합이 얻어지면, 실제 로봇이 따라야 할 순서가 없는 상태이므로, 맞춤형 TSP(Traveling Salesman Problem) 솔버를 이용해 가장 짧은 순회 경로를 생성한다. 여기서는 시작점으로 돌아오는 비용을 0으로 설정해, 시작점에서 출발해 일방향으로 모든 샘플을 방문하도록 설계한다. 두 번째 부분은 “스파스 가우시안 프로세스(SOGP)를 이용한 온라인 학습”이다. 전통적인 GP는 모든 관측 데이터를 저장하고, 매 학습 시마다 전체 커널 행렬을 역전산해야 하므로 O(N³) 복잡도가 발생한다. 장기 미션에서는 데이터 양이 급증해 메모리와 연산이 불가능해진다. 이를 해결하기 위해 저자는 SOGP 프레임워크를 채택한다. 핵심 아이디어는 Basis Vector set(BV‑set)이라 불리는 제한된 크기의 대표 샘플 집합을 유지하는 것이다. 새 데이터 (x_{t+1}, y_{t+1})가 들어오면, 현재 BV‑set이 정의하는 서브스페이스에 대한 잔차(norm γ_{t+1})를 계산한다. γ_{t+1}=k(x_{t+1},x_{t+1})−k_{x_{t+1}}^T Q_t k_{x_{t+1}}이며, 여기서 Q_t는 현재 BV‑set에 대한 커널 행렬의 역이다. γ_{t+1}가 사전 정의된 임계값 ω보다 크면 해당 샘플을 BV‑set에 추가하고, 그렇지 않으면 기존 파라미터만 업데이트한다. BV‑set 크기가 미리 정한 상한 m을 초과하면, 각 BV‑점에 대해 스코어 ψ_i=|α_i|·Q_{ii}를 계산해 가장 기여도가 낮은 점을 제거한다. 제거 후에는 α, C, Q 파라미터를 재계산해 모델을 유지한다. 모델의 하이퍼파라미터(길이 스케일 l, 신호·노이즈 분산 σ_f², σ_n²)는 LOO‑CV(Leave‑One‑Out Cross‑Validation) 기반 로그우도 최대화로 주기적으로 재추정한다. 로그우도 L_{LOO}=∑_{i=1}^n log p(y_i|X, y_{-i}, θ) 를 계산할 때, 전체 커버리언스 행렬의 역을 한 번만 구하고 파티션을 이용해 각 LOO 항을 효율적으로 얻는다. 파라미터 업데이트는 경사 하강법을 사용하며, 학습률 η는 실험적으로 조정한다. 전체 프레임워크는 다음과 같은 순환 구조를 가진다. 1) 현재 SOGP 모델을 기반으로 환경 격자에 대한 예측 평균·분산을 얻는다. 2) DP‑기반 정보량 최적화를 통해 다음에 방문할 샘플 집합 P*를 선정한다. 3) TSP 솔버로 경로를 생성하고 로봇을 이동시킨다. 4) 로봇이 수집한 새로운 관측을 SOGP에 입력해 온라인 업데이트를 수행한다. 5) 메모리 사용량·예측 불확실성 등을 모니터링해 하이퍼파라미터 재추정 및 BV‑set 정리를 트리거한다. 이 과정을 미션 전반에 걸쳐 반복함으로써, 비정상(non‑stationary)하고 시간에 따라 변하는 해양 현상을 실시간에 가깝게 추정한다. 실험은 남부 캘리포니아 베이 지역의 해양 모델(ROMS)에서 추출한 염도·수온 데이터를 사용했다. 시뮬레이션 환경은 2차원 격자(≈10,000 셀)이며, 로봇은 주당 1~2km 정도 이동한다. 비교 대상은 (1) 전체 데이터를 사용한 전통적 GP, (2) SOGP 없이 단순 랜덤 샘플링, (3) 기존의 greedy‑based 정보 기반 플래닝이다. 결과는 다음과 같다. 제안 프레임워크는 RMSE 기준으로 전통적 GP 대비 약 18% 감소했으며, 메모리 사용량은 5% 이하로 억제했다. 연산 시간은 평균 0.35초(전통적 GP 1.8초)로 크게 단축되었다. 또한, 장기 시뮬레이션(30일) 동안 메모리 초과 오류 없이 안정적으로 동작했으며, 하이퍼파라미터 재추정이 4번 발생해 모델이 환경 변화에 적절히 적응함을 확인했다. 결론적으로, 이 논문은 (a) 정보량 기반 전역 최적 샘플링, (b) 스파스 GP를 통한 메모리·연산 효율화, (c) 온라인 하이퍼파라미터 재추정이라는 세 축을 결합해, 지속적인 해양 모니터링에 필요한 핵심 기술을 통합적으로 제공한다. 제안 방법은 해양 로봇뿐 아니라, 대규모 환경 센싱이 요구되는 드론·지상 로봇 등 다양한 분야에 확장 적용 가능성이 높다.