재난후 도로평가를 위한 통합 드론 라우팅 모델

초록

본 논문은 재난 후 도로평가(PDRA)에서 드론 라우팅을 8가지 변형에 대해 하나의 모델로 동시에 해결하는 통합 모델(UM)을 제안한다. 트랜스포머 기반 인코더‑디코더와 경량 어댑터를 활용해 다중태스크 학습과 미지 속성에 대한 효율적 파인튜닝을 가능하게 하며, 기존 단일태스크 DRL 대비 6‑14%·휴리스틱 대비 22‑42%·상용 솔버 대비 24‑82%의 품질 향상을 달성한다.

상세 분석

본 연구는 재난 상황에서 도로 손상 정보를 빠르게 수집해야 하는 PDRA 문제를 드론 라우팅이라는 조합 최적화 문제로 정의하고, 기존 방법들의 확장성·효율성 한계를 체계적으로 분석한다. 전통적인 정확 알고리즘과 메타휴리스틱은 문제 규모가 커질수록 연산 시간이 급증하고, 도메인 지식 의존도가 높아 실시간 대응에 부적합함을 지적한다. 최근 제안된 단일태스크 DRL 모델(AEDM)은 추론 속도가 빠르지만, 각 변형(폐쇄형·개방형 경로, 시간창, 다중 디폿 등)에 대해 별도 모델을 학습해야 하므로 전체 개발·운용 비용이 크게 증가한다. 이러한 문제점을 해결하기 위해 저자는 다중태스크 학습(MTL) 프레임워크를 도입한다. 구체적으로, 8가지 PDRA 변형을 하나의 데이터셋에 통합하고, 변형별 제약조건을 토큰화하여 트랜스포머 인코더‑디코더에 입력한다. 트랜스포머는 자체 어텐션 메커니즘을 통해 노드·링크 간의 복합 관계와 변형 특성을 동시에 학습함으로써, 공유된 구조적 지식을 효율적으로 추출한다. 또한 경량 어댑터 레이어를 각 변형에 삽입해 파라미터를 최소화하면서도 새로운 속성(예: 다중 디폿, 가변 배터리 용량) 추가 시 전체 모델을 재학습하지 않고 빠르게 파인튜닝할 수 있게 설계하였다. 실험에서는 1,000노드 규모의 합성·실제 도로망에 대해 1‑10초 내에 해를 제공하며, 파라미터 수와 학습 시간은 기존 8개 모델 대비 8배 절감된다. 민감도 분석을 통해 배터리 제한, 시간창 폭, 드론 수 등 주요 파라미터 변화에 대한 견고성을 확인했고, 어댑터 기반 파인튜닝 실험에서는 미지 속성을 0.5% 수준의 파라미터 추가만으로도 기존 성능을 유지하거나 약간 향상시켰다. 전체적으로, 본 논문은 대규모 재난 대응에서 요구되는 빠른 의사결정, 모델 재사용성, 확장성을 동시에 만족시키는 최초의 통합 DRL 기반 라우팅 프레임워크를 제시한다는 점에서 학술적·실용적 의의가 크다.