저고도 이착륙 플랫폼(버티포트)의 위치 선정은 도시 항공 모빌리티(UAM) 개발에 있어 근본적인 과제입니다. 본 연구는 이 문제를 용량 제한 시설 위치 문제의 변형으로 공식화하고, 비행 거리 및 서비스 용량 제약을 포함하며, 문제를 마르코프 결정 프로세스로 모델링하는 심층 강화 학습(DRL) 기반 솔루션 프레임워크인 SPID를 제안합니다. 동적 커버리지를 처리하기 위해 설계된 DRL 기반 SPID는 다중 헤드 어텐션 메커니즘을 사용하여 시공간 패턴을 포착하고, 동적 및 정적 정보를 통합하여 통합 입력 상태 벡터를 생성합니다. 이후 게이트 순환 유닛(GRU)을 사용하여 쿼리 벡터를 생성함으로써 순차적 의사 결정을 향상시킵니다. DRL 네트워크 내의 액션 네트워크는 서비스 거리 비용과 미충족 수요 페널티를 통합한 손실 함수에 의해 조절되어 엔드 투 엔드 최적화를 가능하게 합니다. 이후 실험 결과는 비행 및 용량 제약 하에서 전통적 방법과 비교해 SPID가 해결 효율성과 견고성을 크게 향상시킴을 보여줍니다. 특히 본 연구에서 강조한 사회적 성능 지표 전반에 걸쳐 SPID는 전통적 군집화 및 그래프 신경망(GNN) 기반 방법이 만들어낸 차선책을 약 29%까지 능가합니다. 이러한 개선은 거리 기반 비용 증가를 동반하지만 10% 이내로 유지됩니다. 전반적으로, 우리는 대규모 UAM 시나리오에서 신속한 의사 결정을 지원하는 효율적이고 확장 가능한 버티포트 위치 선정 접근법을 입증합니다.

저고도 계획;버티포트 위치 선정;심층 강화 학습;알고리즘 탐색