Deploying autonomous robotic systems in maritime environments presents a dual control challenge: stabilizing vessel-mounted manipulators against stochastic wave motion and navigating aerial vehicles through aerodynamic disturbances. To resolve the conflict between the precision of model-based control and the adaptability of model-free learning, this thesis proposes a unified framework of Physics-Informed Guidance. We investigate this through three complementary methodologies applied to a Maritime Manipulator--Drone Loading System. For manipulator stabilization, we introduce implicit guidance, utilizing Large Language Models (LLMs) to synthesize expert gain-scheduling heuristics, and explicit guidance, leveraging differentiable physics simulations for rapid gradient-based tuning. For agile drone tracking, we present structural guidance via a residual RL architecture, where a model-free agent augments an approximate optimal controller derived from the Hamilton-Jacobi-Bellman (HJB) equation. Experimental validation confirms that embedding physical priors into the learning loop significantly accelerates convergence and ensures robust performance against significant environmental and inertial perturbations compared to standard baselines.

해양 환경에서 자율 로봇 시스템을 배치하는 것은 이중 제어 과제를 수반한다. 즉, 확률적인 파랑 운동에 대해 선박 탑재 매니퓰레이터를 안정화하는 문제와 공기역학적 외란 속에서 공중 이동체를 항법하는 문제가 동시에 존재한다. 모델 기반 제어의 정밀성과 모델 프리 학습의 적응성 간의 충돌을 해결하기 위해, 본 논문은 물리 정보를 내재한 유도 프레임워크라는 통합된 접근법을 제안한다. 본 연구는 해양 매니퓰레이터–드론 적재 시스템에 적용된 세 가지 상호 보완적인 방법론을 통해 이를 검증한다. 매니퓰레이터 안정화를 위해, 전문가의 이득 스케줄링 휴리스틱을 대규모 언어 기반 모델을 통해 합성하는 암묵적 유도 기법과, 미분 가능한 물리 시뮬레이션을 활용하여 기울기 기반으로 제어 파라미터를 신속하게 조정하는 명시적 유도 기법을 제안한다. 또한 민첩한 드론 추적을 위해, 해밀턴–야코비–벨만 방정식으로부터 도출된 근사 최적 제어 구조를 모델 프리 학습 에이전트가 보완하는 잔차 강화학습 기반 구조적 유도 기법을 제시한다. 실험적 검증 결과, 물리적 사전 지식을 학습 과정에 체계적으로 내재화함으로써 기존 기준 기법들과 비교하여 수렴 속도가 유의미하게 향상되었으며, 큰 환경 외란 및 관성 변화가 존재하는 조건에서도 강인하고 안정적인 성능을 확보할 수 있음을 확인하였다.