도심 항공 모빌리티를 위한 이종 Vertiport 선택 최적화: 딥 강화학습 접근

초록

본 논문은 도심 항공 모빌리티(UAM)와 지상 교통을 통합한 최적화 모델을 제시하고, 이를 기반으로 딥 강화학습(Deep RL)과 V2X 통신을 활용한 Unified Air‑Ground Mobility Coordination (UAGMC) 프레임워크를 설계한다. Vertiport 선택과 항공 택시 경로를 실시간으로 조정함으로써 평균 여행 시간을 34 % 감소시켰으며, 이질적인 Vertiport 시스템의 혼잡 완화와 자원 활용 효율을 크게 향상시켰다.

상세 분석

본 연구는 UAM 서비스가 직면한 두 가지 핵심 문제—Vertiport 간 용량 불균형과 실시간 수요 변동—를 하나의 마코프 결정 과정(MDP)으로 정형화한다. 상태 공간은 V2X를 통해 수집되는 도로 교통 흐름, 각 Vertiport의 대기 시간, eVTOL 차량 위치·배터리 상태 등 다중 소스 정보를 포함한다. 이를 효율적으로 인코딩하기 위해 저자들은 Multi‑Source Contextual Embedding(MSCE)와 Spatio‑Temporal Integration Network(STIN)를 설계했으며, MSCE는 서로 다른 데이터 모달리티(예: 교통 센서, 날씨, 수요 예측)를 동일 차원으로 매핑하고, STIN은 시공간적 상관관계를 그래프‑컨볼루션과 트랜스포머 기반 어텐션으로 결합한다.

액터‑크리틱 구조는 정책 네트워크와 가치 네트워크를 각각 MSCE‑STIN 출력에 연결해, 고차원 상태에서 샘플 효율성을 유지한다. 특히, Sparse Reward 문제를 완화하기 위해 단계별 보상 설계가 도입되었는데, Vertiport 선택 시 대기 시간 감소와 전체 여행 시간 감소를 동시에 보상함으로써 학습 초기에 의미 있는 신호를 제공한다. 정책 최적화는 Proximal Policy Optimization(PPO) 변형을 사용했으며, 클리핑 파라미터와 KL‑다이버전스 제약을 통해 안정적인 업데이트를 보장한다.

실험 설정은 실제 도시 교통 데이터와 합성된 eVTOL 수요 패턴을 결합했으며, 비교 대상은 비례 할당(Proportional Allocation) 기반 규칙, 전통적인 큐잉 이론 모델, 그리고 기존 DRL 기반 디스패치(예: DQN, 기본 Actor‑Critic)이다. UAGMC는 평균 여행 시간에서 34 % 개선을 달성했으며, 특히 수요 피크 구간에서 Vertiport 간 균형을 맞추어 대기 시간을 45 % 이상 감소시켰다. 민감도 분석에서는 차량 용량, Vertiport 수, V2X 데이터 지연 등에 대한 강인성을 확인했으며, MSCE와 STIN을 제거한 경우 성능이 12 %~18 % 하락함을 보고했다.

이 논문의 주요 기여는 (1) 공중·지상 교통을 하나의 MDP로 통합한 최초 모델링, (2) 이질적인 Vertiport 시스템에 특화된 다중 소스 임베딩 및 시공간 통합 네트워크 설계, (3) 실시간 V2X 데이터를 활용한 정책 학습으로 기존 정적·휴리스틱 방법을 크게 능가한 실증 결과이다. 또한, 코드 공개와 재현 가능한 실험 설계는 향후 UAM 연구 커뮤니티에 중요한 기반을 제공한다.