대형 고정밀 표적의 제작, 저장, 운송 및 조작에 어려움이 있기 때문에, 광시야각 카메라의 고정밀 보정은 여전히 비전 분야의 도전 과제 중 하나입니다. 이에 본 논문에서는 강화 학습 기반의 고정밀 광시야각 카메라 보정 방법을 제안하며, A3C(비동기적 이점 액터-크리틱) 알고리즘을 활용하여 광시야 조건에서 Zhang Zhengyou 보정 방법의 소형 표적 자세를 최적화하고, 등가 대형 표적 이미지와 표적 특징의 최적 샘플 분포를 획득하여 최종적으로 보정 정밀도를 향상시킵니다. 먼저 표적 자세 최적화 문제를 마르코프 게임 모델로 설정한 후, A3C 알고리즘을 사용하여 독립된 환경 복제본에서 N개의 병렬 표적 에이전트를 훈련시켜 표적 자세를 최적화하고, 마지막으로 훈련된 정책을 광시야각 카메라 보정에 적용합니다. 10m² 광시야 카메라 보정 실험에서, 역투영 오차는 0.2mm 이내로 안정적으로 유지되었으며, 고정된 초점 흐림 방법 대비 약 50%의 정밀도 향상, MAPPO 알고리즘 대비 약 12.3%의 정밀도 향상을 보였습니다. 본 방법은 회전익 풍동 실험에서 로터 블레이드 전 장면 운동 매개변수 측정에 성공적으로 적용되어, 카메라 보정의 고정밀도와 고안정성 요구를 충족합니다.

광시야; 표적 자세 최적화; 다중 에이전트 강화 학습; A3C; 마르코프 게임