Attention 및 책임 기반 보상을 활용한 강화학습 기반 다중 표적 위협 평가 및 무장 할당 알고리즘
Reinforcement Learning-Based Multi-Target Threat Assessment and Weapon Assignment Algorithm Using Attention and Responsibility-Based Rewards
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 다중 무장-다중 위협 상황에서의 전략적 판단과 협업적 행동 선택을 위한 강화학습 기반 알고리즘을 제안한다. 제안된 알고리즘은 무장별 actor-critic 구조를 분리하고, self-attention 및 cross-attention 메커니즘을 통해 무장 간 상호작용을 학습한다. 또한, 각 무장의 행동이 전투 결과에 미치는 영향을 정량적으로 평가하는 책임 기반 보상 함수를 설계하여 무장 간협업을 유도하고, 편향된 정책 학습을 방지한다. Stable-Baselines3 라이브러리를 활용하여 알고리즘을 구현하고, 시뮬레이션 환경에서 기존 PPO 기반 모델과 비교 실험을 수행하였다. 실험 결과, 제안된 알고리즘은 희소 보상 조건과 자원 제약 상황에서도 전략적 효율성과 협업 성능 측면에서우수한 성능을 보였으며, 실제 전장 시나리오에 적용 가능한 가능성을 확인하였다.
Abstract
In this paper, we propose a reinforcement learning-based decision-making algorithm tailored for multi-weapon and multi-threat combat environments. The proposed method separates actor-critic structures by weapon type and incorporates self-attention and cross-attention mechanisms to enable interaction-aware learning across agents. A responsibility-based reward function is designed to evaluate the contribution of each weapon to combat outcomes, promoting cooperative behavior and preventing policy bias. The algorithm is implemented using the Stable-Baselines3 library and validated through tactical simulations. Experimental results demonstrate that our method achieves superior strategic efficiency and collaboration performance compared to conventional PPO-based models, especially under sparse reward conditions and resource constraints.