강화학습을 이용한 오프셋 데이터 최적 보간

Abstract

B-spline 곡선 보간(B-spline curve interpolation)은 컴퓨터 그래픽스, 컴퓨터 지원 설계 및 로봇공학과 같은 다양한 분야에서 널리 사용된다. 보간된 곡선의 형상은 매개변수화 방법(Parameterization method)에 따라 계산한 제어점(Control point)에 크게 의존한다. B-스플라인 곡선 보간 중 보간된 곡선의 형상에 영향을 주는 매개변수 값(Knot)을 구할 때 사용되는 매개변수화 방법에 따라 제어점이 다르게 계산되며, 이러한 특징으로 인해 원하는 곡선의 형태를 정확하게 나타내기 어렵다. 이러한 한계를 극복하기 위해 본 연구에서는 B-스플라인 곡선 보간을 수행할 때 강화학습을 기반으로 한 새로운 매개변수 최적화 방법을 제안한다. 제안된 방법을 선형을 나타내는 오프셋 데이터에 적용하여 계산한 매개변수 값을 기반으로 단면 곡선(Section curve)을 생성한다. 강화학습의 에이전트(Agent)는 0에서 1까지의 범위로 정규화된 매개변수를 반복적으로 조절하고 변환된 매개변수 값을 상태로 정의한다. 에이전트는 상태 변화를 관찰하고 환경(Environment)은 결과 곡선을 관찰하여 보상을 주는 방법을 통하여 주어진 점에 대한 최적의 매개변수 값을 학습하게 된다. 매개변수 값을 반복적으로 조절하고 결과 곡선을 관찰함으로써 학습 에이전트는 주어진 B-스플라인에 대한 최적의 매개변수 값을 학습한다. 제안된 방법을 평가하기 위해 기존의 최적화 방법인 유전 알고리즘 모델을 사용하여 얻은 결과를 제안된 알고리즘을 적용한 결과와 비교하였다. 또한, 오프셋 데이터를 기반으로 단면 곡선을 생성할 때 기존 매개변수화 방법과 제안된 방법을 비교하고, 학습된 모델을 다른 선종의 오프셋 데이터에 적용하여 제안된 방법의 유용성을 확인하였다. 제안하는 매개변수화 최적화 방법이 기존 매개변수화 방법보다 더 우수한 성능을 나타내는 것을 확인하였다. 본 연구에서 제안하는 방법은 B-spline 곡선을 보간할 때 최적의 매개변수를 찾기 위한 새로운 접근 방식으로, 기하 모델링에서 머신러닝 기법을 활용할 수 있는 잠재력을 보여준다.