스마트 장애물 회피 사각 나선 기반 단일 모바일 앵커 위치추정

초록

본 논문은 장애물 환경에서 단일 모바일 앵커가 사각 나선 경로를 따라 이동하면서 적응형 장애물 회피와 실시간 경로 재계획을 수행하도록 설계한 AOASS 프레임워크를 제안한다. AOASS는 TD3‑LSTM 기반 강화학습 에이전트와 칼만 필터 예측, 퍼지‑ORCA 안전 모듈을 결합해 충돌 없이 효율적인 이동을 보장하고, OLSTM‑DV‑Hop 모델을 통해 hop‑거리 추정을 개선해 각 노드가 최소 3개의 비공선 비콘을 수신하도록 함으로써 높은 위치추정 정확도와 에너지 효율을 달성한다. 시뮬레이션 결과, 다양한 장애물 밀도에서 기존 방법 대비 정확도, 커버리지, 경로 최적화 측면에서 일관된 우수성을 보였다.

상세 분석

AOASS는 기존 단일 모바일 앵커 기반 위치추정 연구가 직면한 ‘경로 길이 증가와 재계획 비용’, ‘다중 비콘 필요성’, ‘장애물에 의한 신호 왜곡’ 문제를 동시에 해결한다는 점에서 혁신적이다. 첫 번째 핵심은 사각 나선 패턴을 최적화한 이동 경로 설계이다. 사각 나선은 정사각형 격자 형태의 센서 배치를 가정했을 때 최소 이동 거리로 전체 영역을 커버할 수 있으며, 각 회전 구간마다 격자 셀 중심을 지나게 함으로써 모든 노드가 최소 3번 이상의 비콘을 수신하도록 보장한다. 두 번째 핵심은 적응형 장애물 회피 메커니즘이다. 모바일 앵커에 장착된 LSTM 기반 장애물 감지 모듈은 주변 환경을 시계열적으로 학습해 정적·동적 장애물의 위치와 움직임을 예측하고, TD3‑LSTM 강화학습 에이전트는 예측된 장애물 정보를 상태로 받아 최적의 액션(이동 방향·속도)을 선택한다. 여기서 TD3는 연속 행동 공간에서 과도한 정책 업데이트를 방지하고 학습 안정성을 높이며, LSTM은 부분 관측 상황에서도 장기 의존성을 유지한다. 칼만 필터는 센서 노이즈와 모델 불확실성을 보정해 단기 예측 정확도를 향상시키고, 퍼지‑ORCA 안전 모듈은 충돌 회피를 실시간 제어 레이어에서 보장한다. 세 번째 혁신은 OLSTM‑DV‑Hop이다. 전통적인 DV‑Hop은 hop‑수 기반 거리 추정 시 다중 홉 오류가 누적되는 단점이 있었지만, LSTM이 각 노드의 hop‑수 시계열을 학습해 실제 물리적 거리와의 비선형 관계를 보정한다. 이를 통해 hop‑거리 추정 RMSE가 크게 감소하고, 최종 위치추정 오차가 30 % 이상 개선된다. 실험에서는 장애물 밀도 10 %·30 %·50 % 상황에서 평균 위치오차가 각각 1.2 m, 1.8 m, 2.5 m로 기존 OTPP, M‑ANCHOR, PSO‑기반 방법보다 현저히 낮았다. 에너지 측면에서는 비콘 전송 횟수를 25 % 절감하고, 이동 거리 역시 18 % 감소해 전체 네트워크 수명 연장이 기대된다. 다만, AOASS는 사각 격자형 배치를 전제로 하므로 비정형 배치에서는 커버리지 보장이 약해질 수 있으며, LSTM·TD3 학습에 필요한 대규모 시뮬레이션 데이터가 사전 준비돼야 한다는 실용적 제약이 존재한다. 향후 연구에서는 비정형 토폴로지에 대한 적응형 스패이럴 변형과 온라인 학습 기법을 도입해 실시간 현장 적용성을 높일 필요가 있다.