Q-Learning을 활용한 선망투망궤적 도출

현재 전 세계적으로 인공지능(Artificial Intelligence, AI)을 활용한 연구는 활발히 진행되고 있다. 특히 인간의 경험과 숙련된 기술을 요구하는 산업 분야에서 AI의 접목이 활발히 이루어지고 있으며, Google의 AlphaGo 이후 강화학습(Reinforcement Learning)을 적용한 연구가 본격적으로 확산되었다. 로봇을 활용한 자동화(Ali et al., 2021; Meng et al., 2019), 자율주행 자동차 분야뿐 아니라, 해양산업에서도 선박의 최적 항로 탐색(Mohammed et al., 2021; Yuanhui et al., 2023)과 같은 연구가 진행되고 있다. 농업과 산림 등 1차 산업에서도 AI 응용 연구가 활발하지만, 수산 분야에서는 상대적으로 연구가 미흡한 실정이다. 현재 수산 분야에서의 AI 적용은 주로 수산자원 모니터링(감지, 식별, 분류) 자동화(Bradley et al., 2019; Yang et al., 2020; Fosso et al., 2021)나 양식업의 스마트화에 집중되고 있으며, 어업 분야, 특히 어구·어법 분야에서는 선행연구를 찾기 어렵다. 어업은 어구의 종류, 해황 조건, 목표 어종 등 다양한 요소를 동시에 고려해야 하므로, 타 산업에 비해 조업 성공 여부가 어업인의 경험과 직관에 크게 의존한다. 그러나 해상이라는 특수한 환경에서 단기간에 조업 기술을 습득하기 어려우며, 숙련된 어업인을 양성하는 데 상당한 시간이 필요하다. 최근에는 인력난이 심화되면서 전통적인 조업 방법과 기술이 후계로 전승되지 못하고 소멸될 위험이 커지고 있다. 특히 선망어업(purse seine fishery)은 다랑어, 고등어 등 주요 고부가가치 어종을 대상으로 하는 대표적 어법으로, 조업 성공 여부가 어업인의 경험적 판단에 크게 좌우된다. 선망어업은 어군을 그물로 둘러싼 후 그물 하단의 죔줄을 닫아 어획하는 방식으로, 목표 어종에 따라 어구 규모, 선단 구성, 조업 해역과 시간 등이 달라진다. 조업 성공을 위해서는 어군의 이동 방향과 속도를 정확히 파악하고, 적절한 투망 시점과 궤적을 결정하는 것이 핵심이다(Lee et al., 2020). 그러나 실제 조업에서는 풍향, 조류, 파고, 먹이 생물 분포 등 다양한 해황 요인이 복합적으로 작용하여, 이상적인 원형 또는 타원형 궤적을 구현하기 어렵다. 따라서 숙련된 선장이나 어로장의 경험적 판단이 조업 성패를 좌우하며, 신규 어업인에게는 큰 진입 장벽으로 작용한다. 선망어구 관련 연구로는 침강 저항 해석(Kim and Park, 2018), 어획 성능 향상 연구(Kim et al., 1999), 어구의 동적 시뮬레이션(Kim et al., 2005) 등이 있었으나, 실제 조업 방법과 투망 궤적에 관한 연구는 거의 이루어지지 않았다. 이에 본 연구에서는 AI 기법 중 강화학습인 Q-learning을 적용하여, 2차원 시뮬레이션 환경에서 보상 함수와 다양한 변수를 설정하고, 주어진 어군 상황에서 최적의 투망 궤적을 도출하고자 한다.