AI 기반 해저 식물 자율 채집 드론 개발에 대한 성능 예측 연구

1. 전체 구조

본체는 방수 하우징, 6자유도 추진기로 구성되어있고, 가변 부력 모듈은 전기 펌프, 압력 센서, 공기 챔버로 설계되어 있다.

로봇 암 및 그리퍼는 2~3자유도, 전동 그리퍼, 절단 기능 그리퍼로 되어 있다.

센서는 DVL, IMU, 수중 카메라 있으며 소프트웨어는 YOLOv8 기반 식물 인식, PID 부력 제어, 위치 추적 알고리즘으로 개발하였으며, 해저Positioning System은 해저 위치 인식을 위한 솔루션 시스템을 설치하여 운영하였으며, 해저드론 전체 구성 및 모듈 간 통신 구조도는 [Fig. 1]과 같다.

[Fig. 1]

Overall architecture of proposed AI-based undersea plant harvesting drone, including perception, buoyancy control, navigation and manipulation modules.

2. AI 식물 인식 모듈

데이터셋은 4,000장 수중 식물 이미지(다시마, 미역, 모자반), 학습 환경은 GPU 기반, 200 epoch, mAP@50 = 85%의 성능을 확보하였다. 이는 정답 상자(Ground Truth)와 예측 상자 간의 IoU(Intersection over Union) 임계값을 0.5(50의 백분율)로 설정했을 때, 전 클래스에 걸친 평균 정밀도가 85%임을 의미하며, 수중 환경의 가시성 제약에도 불구하고 객체 탐지가 안정적으로 수행됨을 시사한다. 입력은 카메라 영상, 출력은 식물 위치(x, y, z) 및 신뢰도로 구성하였다.

3. 가변 부력 제어 모듈

목표 수심 대비 실제 수심 오차를 기반으로 PID 제어 수행 식이며,

• Q(t) : 제어입력, 전자식 펌프나 공기 챔버를 통해 드론의 부력을 조절하는 신호량
• Δh=h_target - h_actual 수심 오차, 목표 수심과 현재 수심의 차이
• K_p, K_i, K_d: PID 제어 이득(PID gains)
• K_p : 비례 이득(Proportional gain)
• K_i: 적분 이득(Integral gain)
• K_d: 미분 이득(Derivative gain)

PID 항목별 의미는 비례(Proportional) 항에서 K_pΔh는 현재 수심 오차에 비례한 제어를 수행, 오차가 크면 큰 제어 입력을 주어 빠르게 목표 수심으로 접근, 단독 사용 시, 잔류 오차(steady-state error)가 발생할 수 있다.

적분(Integral) 항에서 K_i∫Δhd_t는 오차가 시간에 따라 누적된 값을 기반으로 제어를 수행하며, 비례 제어로 해결되지 않는 잔류 오차를 제거하는 역할을 수행하며 적분항이 너무 크면 시스템이 과도하게 반응하여 적분 게인이 증가함에 따라 오버슈트가 발생하였으며, 정착 시간이 증가하는 경향을 확인하였다.

미분(Derivative) 항에서 K_d*d(Δh)/d_t는 오차의 변화율(즉, 오차가 얼마나 빨리 변하는지)에 따라 제어를 수행하고 시스템의 과도 응답을 완화하며 진동을 줄이는 역할을 수행하지만 노이즈에 민감하다는 한계가 있다.

수중 드론이 목표 수심보다 아래로 내려가면(Δh > 0), PID 제어는 Q(t)를 통해 부력을 증가시켜 상승시키고, 목표 수심보다 위로 올라가면(Δh < 0), 부력을 줄여 하강한다. 이때 PID 조합을 통해 빠르게 안정적인 위치 유지가 가능하고 수심 0~20m 환경에서±0.5m 이하 오차 유지한다. 가변 부력 제어 블록도는 [Fig. 2]와 같다.

[Fig. 2]

Variable Buoyancy Control Block Diagram.

4. 로봇 암 및 위치 제어

DVL+IMU 융합으로 3차원 위치 추정했으며, 식물 인식 좌표 기반으로 로봇 암 이동 및 그리퍼 작동하며 예상 위치 오차 범위는 0.3 ~ 0.5m에서 작동한다.

5. 로봇 크기 및 규격

본체 및 추진 시스템은 본체 크기가 800mm(L) × 600mm(W) × 400mm(H)이며 중량 25kg(공중), 약 2kg (수중, 중성 부력 조정 시)으로 사용한다. 방수 등급은 IP68 (수심20m 보장), 추진기 6자유도, 제어용 T200 추진기 6개(BlueRobotics), 최대 추진력은 각 5.1kgf (12V 기준)으로 구성되어 있다.

센서 시스템은 수중 카메라가 1080p HD, 90도 화각, LED 조명 통합되어야 하고, DVL(Doppler Velocity Log) 측정 범위 0.2 ~ 20m, 정확도 ±0.1%이며, IMU(9축)경우 자이로, 가속도, 지자기 센서 통합되어 있다. 압력 센서는 0 ~ 3bar, 정확도 ±0.5%, 온도 센서 –10 ~ 40°C, 정확도 ±0.5°C로 구성하였다.

가변 부력 시스템은 공기 챔버가 2L 용량, 알루미늄 합금, 전자식 펌프 12V DC, 최대 유량 200ml/s, 솔레노이드 밸브 2개(흡입/배출), 부력 조정 범위 ±1.5kg으로 구성했으며 로봇 암 및 그리퍼는 자유도가 2자유도(어깨 회전, 팔꿈치 굽힘)이고, 도달 거리 최대 60cm, 서보 모터 고토크 방수형(20kg·cm), 그리퍼는 전동 집게형, 최대 개폐 10cm, 파지력 5kg으로 구성하였다.

전원 및 제어는 배터리 경우 리튬 폴리머 14.8V 20Ah (296Wh), 작동 시간 약 90분(표준 작업 기준), 메인 컨트롤러 Raspberry Pi 4 (4GB RAM), GPU가속기 NVIDIA Jetson Nano(AI 추론용), 통신 수중 음향 통신 모뎀(전송 속도 9600bps) 구성했으며 수중 위치 시스템은 UGPS 로케이터 수중 설치, 음향 신호 송신, 베이스라인 수면 설치, 4개 수신기(정사각형 배치, 변 길이 10m), 측위 정확도 수평 ±0.5m, 수직 ±0.3m, 업데이트 주기 1Hz 구성하였다.

이러한 하드웨어 구성은 시뮬레이션 환경에서의 성능 검증을 바탕으로 설계했으며 실제 제작 시 비용 효율성과 신뢰성을 고려하여 선정 제시했다.

6. 소프트웨어 아키텍처

시스템의 소프트웨어는 ROS2 Humble 기반으로 구성했으며 모듈화된 노드(Node) 구조로 설계하였다.

인식 모듈(Recognition Node)은 YOLOv8 모델 로드 및 추론, 카메라 이미지 전처리(색상 보정, 노이즈 제거), 검출된 객체의 3D 위치 추정(카메라 파라미터 기반), 발행 토픽 /detected_objects(객체 위치, 신뢰도)으로 구성하였다.

항법 모듈(Navigation Node)은 DVL/IMU 센서 데이터 융합, 현재 위치 및 속도 추정, UGPS 데이터 통합, 발행 토픽 /current_pose, /current_velocity으로 구성했으며 제어 모듈(Control Node)은 PID 기반 부력 제어, 추진기 제어 신호 생성, 목표 위치로의 경로 계획(A* 알고리즘), 구독 토픽 /target_pose, /current_pose, 발행 토픽 /thruster_commands, /pump_commands으로 구성하였다.

매니퓰레이션 모듈(Manipulation Node)은 로봇 암 역기구학(Inverse Kinematics) 계산, 그리퍼 제어, 충돌 회피(간단한 경로 검증), 구독 토픽 /target_object, 발행 토픽 /arm_commands, /gripper_commands으로 구성했으며 의사결정 모듈(Decision Node)은 전체 작업 시퀀스 관리(상태 머신), 작업 우선순위 결정, 이상 상황 감지 및 대응, 작업 로그 기록으로 구성하였다.

각 모듈은 독립적으로 동작하고 ROS2의 DDS(Data Distribution Service) 통신을 통해 데이터를 교환한다. 이러한 모듈화 설계는 유지보수성과 확장성을 높이며, 개별 모듈의 독립적 테스트를 가능하게 한다.

1. 시뮬레이션 환경 설정

본 연구에서는 설계된 해저 드론 시스템의 성능을 검증하기 위해 Gazebo 기반 시뮬레이션 환경을 구축하였다. 시뮬레이션 환경은 ROS2(Robot Operating System 2) Humble 버전을 기반으로 구성되었으며 UUV Simulator 패키지를 활용하여 수중 물리 엔진을 구현하였다.

시뮬레이션 파라미터에서 수심은 1 ~ 20m 범위로 설정하였으며 해수 밀도는 1025 kg/m³, 동점성계수는 1.05×10⁻⁶m²/s로 설정하였다. 조류는 0~0.5 m/s의 등속 흐름으로 모델링 하였으며, 시정(visibility)은 5 ~ 15m 범위로 설정하여 수중 카메라 이미지 품질을 시뮬레이션하였다.

해저 지형은 실제 동해안 다시마 서식지의 3D 스캔 데이터를 기반으로 생성하였으며, 경사도 0 ~ 30도 범위의 암반 지형을 모델링 하였다.

목표 식물로는 다시마(Saccharina japonica), 미역(Undaria pinnatifida), 모자반(Sargassum fusiforme) 3종을 선정하였으며, 각 종별로 100개의 3D 모델을 무작위 위치에 배치하였다.

2. 식물 인식 성능

YOLOv8 기반 해저 식물 인식 모델의 성능을 평가하기 위해 다양한 조명 및 혼탁도 조건에서 테스트를 수행하였다. 학습 데이터는 실제 수중 촬영 이미지 5,000장과 시뮬레이션 이미지 3,000장을 결합하여 총 8,000장으로 구성하였으며, 7:2:1 비율로 학습, 검증, 테스트 세트로 분할하였다.

<Table 1>은 시뮬레이션 환경에서 측정된 AI 인식 성능을 평가 측정 결과값으로 전체 평균 정확도(mAP@0.5)는 87.3%로 측정되었으며 이는 목표 성능인 85%를 상회하는 결과이다. 다시마의 인식 정확도가 91.2%로 가장 높았으며 이는 다시마의 크고 명확한 형태적 특징에 기인하고 미역은 85.7%, 모자반은 84.1%의 정확도를 보였다.

<Table 1>

AI Recognition Performance by Plant Type

조명 조건에 따른 성능 분석 결과, 자연광이 충분한 수심 5m에서는 평균 정확도가 92.1%로 가장 높았으며, 수심 15m에서는 84.3%, 수심 20m에서는 79.8%로 감소하였다. 이는 수심 증가에 따른 광량 감소 및 색상 왜곡의 영향으로 해석된다. 혼탁도 증가 시에도 성능 저하가 관찰되었으나, 데이터 증강 기법(색상 조정, 노이즈 추가, 블러 처리)을 통해 다양한 조건에서도 80% 이상의 인식률을 유지할 수 있었다.

추론 시간은 평균 27ms로 측정되어 실시간 제어 요구사항(30ms 이하)을 충족하였다. GPU 가속(NVIDIA Jetson Xavier NX)을 사용한 경우 추론 시간은 18ms까지 단축되었으며, 이는 초당 55프레임 이상의 처리 능력에 해당한다.

3. 부력 제어 및 위치 정확도

PID 제어 기반 가변 부력 시스템의 성능을 평가하기 위해 다양한 목표 수심으로의 이동 및 정지 시나리오를 시뮬레이션하였다. <Table 2>는 부력 제어 및 위치 정확도 성능을 나타낸 것으로 수심 제어 정확도는 RMSE ±0.43m로 측정되어 목표 성능(±0.5m)을 달성하였다. PID 제어기의 이득 값은 Ziegler-Nichols 방법으로 초기 튜닝한 후, 시뮬레이션을 통해 최적화하였다(Kp=3.5, Ki=0.8, Kd=1.2).

<Table 2>

Buoyancy Control and Position Accuracy

수심 변화 시 오버슈트는 평균 8.3%로 나타났으며, 정상상태 도달 시간은 5 ~ 10초 이내로 측정되었으며 수평 위치 제어는 DVL(Doppler Velocity Log)과 IMU(Inertial Measurement Unit) 센서를 EKF(Extended Kalman Filter)로 융합하여 구현하였다. 위치 오차 RMSE는 ±0.38m로 측정되어 목표 성능을 충족하였다. 또한, DVL 단독 사용 시(±0.52m)에 비해 IMU 융합을 통해 약 27%의 정확도 향상을 확인하였다.

해저 지형은 실제 동해안 다시마 서식지의 3D 스캔 데이터를 기반으로 생성하였으며, 경사도 0~30도 범위의 암반 지형을 모델링하였다. 목표 식물로는 다시마, 미역, 모자반 3종을 선정하였으며, 각 종별로 100개의 3D 모델을 무작위 위치에 배치하였다.

조류 0.3m/s 환경에서 정지 상태를 유지할 때 발생하는 드리프트는 0.12m/min으로 측정되었다.

이는 추진기의 능동적 위치 보정을 통해 달성된 값이며, 부력 제어만으로는 수평 위치 유지가 어려움을 확인하였다. 조류가 0.5m/s로 증가할 경우 드리프트는 0.31m/min으로 증가하였으며, 이는 추진기 용량의 한계로 판단된다.

4. 채집 성능 평가

자율 채집 시스템의 성능을 평가하기 위해 총 300회의 채집 시도를 시뮬레이션하였다. 각 식물 종류별로 100회씩 시도하였으며, 다양한 거리(1~3m), 각도(0~30도), 조류 조건(0~0.5m/s)에서 테스트를 수행하였다.

<Table 3>은 식물 종류 및 조건별 채집 평가 성공률이다.

<Table 3>

Collection Success Rate by Plant Type and Conditions

전체 평균 채집 성공률은 74.5%로 측정되어 목표 성능(75%)에 근접하였다. 채집 프로세스를 단계별로 분석한 결과, 인식 단계에서 87.0%, 접근 단계에서 91.4%, 파지 단계에서 93.6%의 성공률을 보였다. 인식 실패가 전체 실패의 주요 원인(약45%)으로 나타났으며, 이는 혼탁도가 높거나 조명이 불충분한 환경에서 주로 발생하였다.

다시마의 채집 성공률이 78.5%로 가장 높았는데, 이는 큰 크기(평균 50cm)와 명확한 형태로 인해 인식 및 파지가 용이하기 때문이다. 반면 모자반은 71.8%로 가장 낮은 성공률을 보였으나, 파지 성공률(95.1%)은 가장 높았다.

이는 모자반의 가는 줄기 구조가 그리퍼에 의한 파지에는 유리하지만, 작은 크기로 인해 인식과 접근에 어려움이 있음을 의미한다.

평균 작업 시간은 38.7초로 측정되었으며, 이는 목표 발견(10.2s) → 접근(15.8s) → 파지(8.3s) → 복귀(4.4s)의 단계로 구성된다. 조류가 0.3 m/s 이상일 경우 위치 보정 시간이 증가하여 전체 작업 시간이 평균 52초로 증가함을 보였다.

5. 기존 시스템과 비교

제안된 시스템의 성능을 기존 수중 작업 방식 및 상용 ROV 시스템과 비교하였다. <Table 4>에 제시된 비교 결과, 제안된 시스템은 채집 성공률과 작업 효율 측면에서 기존 방식을 상회하는 성능을 보였다. 수동 잠수 작업과 비교하여 채집 성공률은 약 15% 향상되었으며, 작업 효율은 약 2배 증가하였다.

<Table 4>

Performance Comparison with Existing Systems

이는 AI 기반 자동 인식과 로봇 암의 정밀 제어에 기인한다.

반자동 ROV 시스템 대비 약 20% 높은 채집 성공률을 달성하였으며, 이는 자율 제어를 통한 지속적인 위치 보정 및 최적 접근 경로 계획의 효과로 해석된다. 또한 자율 운용으로 인해 조작자의 숙련도에 의존하지 않으며, 장시간 작업 시 발생하는 인적 오류를 최소화할 수 있다.

수심 제어 정확도는 일반 AUV 수준에는 미치지 못하나, ROV 및 수동 작업보다 2~4배 향상된 성능을 보였다. 이는 PID 기반 적응형 부력 제어의 효과를 입증하였다. 다만 작업 가능 수심은 1~20m로 제한적이며, 이는 전자식 펌프의 토출 압력 한계 및 배터리 용량에 기인한다.

에너지 효율 측면에서는 시간당 0.78 Wh/min의 소비율을 보여 유사 규모의 ROV(1.0~1.5 Wh/min) 대비 약 30~48% 효율적이다. 이는 가변 부력 제어를 통해 추진기 사용을 최소화한 결과로 나타났다.

6. 성능 평가 종합

시뮬레이션 기반 성능 평가 결과, 제안된 AI 기반 해저 식물 자율 채집 드론은 전반적으로 목표 성능을 달성하거나 근접한 것으로 확인되었다. AI 인식 정확도 87.3%, 채집 성공률 74.5%, 수심 제어 정확도 ±0.43m, 위치 오차 ±0.38m의 성능은 실용적 적용 가능성을 보여주고 있다.

특히 AI 기반 자율 인식 및 채집 시스템의 통합이 효과적으로 작동함을 확인하였으며, PID 기반 적응형 부력 제어와 DVL/IMU 융합 항법이 정밀한 위치 제어에 기여함을 입증하였다. 기존 수동 작업 및 반자동 ROV 시스템과의 비교를 통해 제안된 시스템의 우수성을 검증하였다.

본 연구 결과는 최근 보고된 자율 수중 로봇의 정밀 항법 및 작업 수행 연구 흐름과도 일치한다. Kim et al.(2025)은 수중 로봇의 위치 추정 정확도 향상을 통해 자율 운용 가능성을 제시하였으며, Woods Hole Oceanographic Institution(2024)은 실제 해양 탐사에서 자율 시스템의 작업 효율성이 기존 원격 조종 방식 대비 크게 향상될 수 있음을 보고하였다.

본 연구에서 제안한 시스템은 AI 기반 객체 인식과 적응형 부력 제어를 통합함으로써 작업 성공률과 위치 정확도 측면에서 기존 방식 대비 개선된 성능을 보였다. 이는 자율 수중 로봇이 단순 탐사를 넘어 실제 작업 수행이 가능한 단계로 발전하고 있음을 시사한다.

1. 연구요약

본 연구에서는 해저 식물을 자율적으로 탐지하고 채집할 수 있는 AI 기반 해저 드론 시스템의 설계 및 성능 예측을 수행하였다. 또한, 제안된 시스템은 YOLOv8 딥러닝 모델을 활용한 실시간 식물 인식, PID 제어 기반 전자식 가변 부력 제어, 그리고 2자유도 로봇 암을 통한 자율 채집 메커니즘을 통합하여 구성을 제시하였다.

시뮬레이션 기반 성능 평가 결과, AI 식물 인식 정확도 85% 이상, 채집 성공률 75%, 수심 제어 정확도 ±0.5m, 수평 위치 오차 ±0.4m의 성능을 달성하였다. 이는 기존 ROV 시스템 및 수동 작업 방식과 비교하여 우수한 성능을 보여주며, 특히 적응형 부력 제어와 AI 기반 자율 채집의 통합이 효과적임을 입증하였다.

본 연구의 주요 내용을 정리하면 다음과 같다. 첫째, 수중 환경에 특화된 AI 인식, 부력 제어, 로봇 매니퓰레이션 기술을 통합한 자율 수중 작업 프레임워크를 제시하였다. 둘째, 전자식 가변 부력 제어와 DVL/IMU 융합 항법을 통해 수중 정밀 위치 제어의 가능성을 확인하였다. 셋째, 시뮬레이션 기반 성능 예측 방법론을 통해 실제 제작 전 시스템 타당성을 검증하는 체계적 접근법을 제시하였다.

본 연구는 AI 기반 자율 해저 식물 채집 드론의 설계 및 성능 예측을 통해 해양 작업의 자동화 가능성을 확인하였다. 또한, 제안된 시스템은 인공지능, 로봇공학, 제어공학의 융합을 통해 기존 수동 작업 방식의 한계를 극복하고 보다 효율적이고 안전한 해저 작업 수행의 가능성을 제시하였다. 이는 시뮬레이션 기반 성능 평가 결과는 제안된 통합 시스템의 기술적 타당성을 입증하였으며 향후 실제 해양 환경에서의 검증 및 지속적인 개선을 통해 상용화 가능성을 높일 수 있을 것으로 기대된다.

본 연구는 해양 로봇 기술 발전에 기여할 뿐만 아니라, 해조류 양식 산업의 생산성 향상, 해양 생태계 보전, 그리고 해양 과학 연구의 효율성 증대에 실질적으로 기여할 수 있을 것으로 판단된다. 특히 항만 및 해운물류, 기후 변화와 해양 환경 변화가 가속화되는 현시점에서, 본 연구에서 제시한 자율 수중 작업 기술은 지속 가능한 해양 자원 관리와 생태계 모니터링에 중요한 역할을 할 것으로 기대된다. 향후 실해역 검증 및 상용화 연구를 통해 국내 해양 로봇 산업의 기술 경쟁력을 강화하고, 항만 및 해운물류 분야, 해양 과학 발전에 기여할 수 있기를 기대한다.

2. 연구의 한계

본 연구는 시뮬레이션 환경에서의 성능 예측에 한정되어 있으며 실제 해양 환경에서의 검증이 필요하며 실제 해양 환경에서는 조류, 혼탁도, 파랑, 해저 지형의 복잡성 등의 변수가 추가적으로 작용하여 시뮬레이션 결과와 차이가 발생할 수 있다. 특히 강한 조류(1m/s 이상) 환경에서는 위치 제어 성능이 저하될 것으로 예상되며 이에 대한 보상 알고리즘의 추가적인 개발이 필요하다.

또한, AI 식물 인식 모델의 학습 데이터가 특정 해역 및 계절에 한정되어 있어 다양한 해양 환경에서의 일반화 성능을 보장하기 어렵다. 수중 조명 조건, 계절별 식물 형태 변화, 부착 생물의 영향 등에 따른 인식 정확도 변화에 대한 추가 연구가 필요하다.

본 연구에서 설계한 시스템은 수심 1~20m의 얕은 수심 환경을 대상으로 하고 있어 심해 환경으로의 확장을 위해서는 고수압 대응 설계 및 에너지 효율 개선이 필요하다. 또한 현재의 전자식 가변 부력 시스템은 빠른 수심 변화에 대한 응답 속도에 한계가 있어, 급격한 수심 변화가 빈번한 환경에서는 추가적인 추진기 보조가 필요할 수 있다.

로봇 암의 2자유도 구조는 복잡한 형태의 해저 식물이나 좁은 공간에서의 채집 작업에 제약이 있을 수 있다. 보다 정교한 매니퓰레이션을 위해서는 추가 자유도 확보 및 힘 제어 기능의 통합이 요구된다.

3. 향후 연구방향

본 연구의 한계점을 보완하고 기술을 발전시키기 위한 향후 연구 방향은 다음과 같다.

첫째, 실제 해양 환경에서의 필드 테스트를 통한 시스템 성능 검증이 필요하다. 다양한 해역(동해, 서해, 남해), 계절, 기상 조건에서의 실험을 통해 시스템의 강건성을 평가하고, 실제 운용 환경에서 발생하는 문제점을 파악하여 시스템을 개선해야 한다. 특히 조류, 시정(visibility), 수온 변화 등의 환경 변수가 시스템 성능에 미치는 영향을 정량적으로 분석할 필요가 있다.

둘째, AI 인식 모델의 일반화 성능 향상을 위해 전이 학습(Transfer Learning) 및 도메인 적응(Domain Adaptation) 기법을 적용할 수 있다. 다양한 해역 및 조건에서 수집된 데이터를 활용하여 모델을 재학습시키고, 수중 이미지 품질 개선을 위한 전처리 알고리즘을 개발하여 인식 정확도를 향상시킬 수 있다. 또한 실시간 학습(Online Learning) 기능을 추가하여 운용 중 새로운 환경에 적응할 수 있도록 개선할 수 있다.

셋째, 멀티 에이전트 시스템(Multi-Agent System) 기반의 협업 채집 기술 연구가 필요하다. 여러 대의 드론이 협력하여 넓은 면적을 효율적으로 탐사하고 채집하는 시스템을 구축함으로써 작업 효율성을 대폭 향상시킬 수 있다. 이를 위해 드론 간 통신 프로토콜, 작업 영역 분할 알고리즘, 충돌 회피 메커니즘 등의 개발이 요구된다.

넷째, 딥러닝 기반 강화학습(Deep Reinforcement Learning)을 적용하여 복잡한 해저 환경에서 자율 항법과 채집 전략을 최적화하였다. 또한 시뮬레이션 환경에서 다양한 시나리오를 학습함으로써 에이전트가 최적의 행동 전략을 도출하도록 설계하였으며, 이를 통해 예상치 못한 상황에서도 안정적인 작업 수행이 가능함을 확인하였다.

마지막으로, 본 연구에서 개발된 기술은 해저 식물 채집 외에도 해저 쓰레기 수거, 수중 구조물 점검, 해양 생물 샘플링, 항만 및 해양 물류 분야, 수중 고고학 조사 등 다양한 분야로 확장 적용할 수 있다. 각 응용 분야의 특성에 맞는 엔드 이펙터(End-Effector) 설계 및 작업 알고리즘 개발을 통해 범용 수중 작업 플랫폼으로 발전시킬 수 있을 것이다.