이 논문은 협력 무인 항공기(UAV)와 무인 지상 차량(UGV) 전달 임무를 위한 학습 증강 경로 계획 프레임워크를 제시합니다. 중앙 집중식 경로 최적화는 동적 실현 가능성과 작업 최적성을 보장하지만, 높은 계산 비용은 실시간 적용성을 제한합니다. 학습 기반 경로 계획 프레임워크는 기존 최적화 방식보다 3배 빠른 속도와 100% 최적화 성공률을 달성합니다.
분리된 인코더-디코더 LSTM 네트워크를 활용한 신경 서브 플래너를 사용하여 작업 사양에서 조정된 전달 경로 예측을 생성합니다. 이 예측은 다운스트림 중앙 집중식 최적화기의 정보 기반의 초기값으로 사용되어 동적으로 실현 가능한 솔루션으로의 수렴 속도를 높입니다.
데이터 기반 추론과 모델 기반 개선을 결합하여 이질적인 다중 로봇 시스템을 위한 빠르고 안정적인 경로 생성이 가능함을 보여줍니다.