본 연구에서는 해상 장면에서의 효율적인 환경 인식과 상황 인식을 위한 경량화된 Transformer 기반 의미 이미지 분할 네트워크를 제안한다. 본 접근법은 소형 무인수상정(USV, Unmanned Surface Vehicles)을 위한 임베디드 시스템의 경량화 요구사항을 충족하도록 설계되었다. USV에서는 주변 시각 정보를 획득하기 위해 열적외선(Thermal Infrared, TIR) 및 시각 카메라가 널리 사용되며, 의미 분할 기술은 안전한 수역을 인지하고 주변 장면을 이해하는 데 도움을 줄 수 있다. 본 방법에서는 경량 Mix-Transformer를 인코더로 사용하여 다중 스케일 특징을 점진적으로 추출한다. 이후 픽셀 디코더 넥(pixel decoder neck) 모듈로 이러한 특징을 융합하여 스케일이 다른 영역 전반에서 의미 표현을 강화한다. 마지막으로 마스크드 Transformer 디코더가 마스크드 어텐션(masked attention)을 통해 융합된 특징을 정제함으로써, 모델이 의미적으로 중요한 영역에 집중하여 정확한 분할을 수행할 수 있게 한다. 우리는 해상 시나리오에서 Red-Green-Blue(RGB) 및 TIR 영상에 대해 비교 실험을 수행하였으며, 그 결과 본 방법이 기존 접근법보다 정확도에서 우수하고 더 높은 초당 프레임 수(FPS, frames per second)를 달성함을 확인하였다.

본 연구는 모선에서 배치된 다수의 자율무인잠수정(AUV)을 활용하여 해양 환경에서의 커버리지 경로 계획(coverage path planning, CPP)을 위한 효율적인 운영 프레임워크를 제시한다. 이러한 환경에서의 다중 차량 운용은 에너지 제약과 환경적 복잡성으로 인해 어려움이 발생한다. 이를 해결하기 위해 우리는 임무 수행 지점까지 AUV를 수송한 후 순차적으로 배치하는 모선 전략을 도입한다. 본 연구는 CPP를 전체 임무 시간(total mission time)을 최소화하기 위한 영역 분할과 차량-영역 배정(vehicle-to-area assignment)을 포함하는 최적화 문제로 정식화한다. 결합된 제약들의 복잡성을 다루기 위해, 배정 관계와 영역 분할을 각각 별도로 인코딩하는 2부(두 부분) 염색체 구조를 갖춘 유전 알고리즘(genetic algorithm, GA)을 개발한다. 몬테카를로 시뮬레이션 결과, 본 GA 기반 프레임워크는 운영 효율을 유의하게 향상시키는 것으로 나타났다.