지능형 로봇 시스템은 특히 복잡하고 역동적인 환경에서 빈번히 엄격한 에너지 제한 하에서 작동한다. 적응성과 신뢰성을 동시에 향상시키기 위해, 본 연구는 온톨로지 기반 추론과 에너지 인식을 통합하는 의미 계획(semantic planning) 프레임워크를 제안한다. 이 프레임워크는 센싱, 구동(actuation), 연산(computational) 모듈의 플랫폼 특화적 거동을 바탕으로 에너지 소모를 추정하며, 실시간 실행 데이터에 따라 장소(place) 수준의 의미 표현을 지속적으로 갱신한다. 이러한 표현은 공간 및 맥락의 의미뿐 아니라, 선행 운영 이력으로부터 획득한 에너지 특성도 인코딩한다. 과거 에너지 사용 프로파일을 계층적 의미 맵에 내재화함으로써, 이 프레임워크는 보다 효율적인 경로 계획과 맥락 인지 기반 작업 할당을 가능하게 한다. 공유된 의미 계층은 에너지 중심 지식에 의해 정보를 제공받는 의사결정을 통해 단일 로봇 및 다중 로봇 시스템 모두에 대한 조율된 계획을 지원한다. 본 접근은 하드웨어에 독립적이며, 실내 서비스 로봇 및 지상 기반 자율주행 차량과 같은 다양한 플랫폼에 적용할 수 있다. 구조화된 실내 환경에서 차동구동(differential-drive) 모바일 플랫폼을 사용한 실험적 검증 결과, 에너지 효율성, 계획의 견고성, 그리고 작업 분배(task distribution)의 품질이 향상됨이 입증되었다. 본 프레임워크는 고수준의 상징적 추론과 저수준의 에너지 거동을 효과적으로 연결함으로써, 에너지 정보를 반영한 의미론적 의사결정을 위한 통합 메커니즘을 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.