심층 강화 학습(Deep Reinforcement Learning)을 사용한 경로 계획에서 장애물을 자동으로 회피하기 위해 로봇을 학습시키는 일은 쉬운 일이 아니다. 많은 연구자가 DRL을 사용하여 시뮬레이션 환경에서 로봇 학습을 통한 장애물 회피할 가능성을 확인하려 한다. 다양한 환경 로봇과 센서의 영향 요인 때문에 실제 시나리오에서 로봇의 자동 장애물 회피를 실현하는 것은 흔치 않다. 본 논문에서는 장애물을 피해 가면서 자동 경로 계획을 위해 벽과 장애물로 구성된 테스트베드를 설계하고 로봇에 카메라를 장착하였다. 로봇의 목표는 가능한 한 빨리 벽에 부딪히지 않고 시작점에서 끝점까지 도달하는 것이다. 로봇이 벽과 장애물을 피하는 방법을 학습하기 위해 장애물을 회피하며 이동하기 위한 DRL의 가능성을 검증하기 위해 이중 심층 Q 네트워크(DDQN)를 제안한다. 실험에 사용된 로봇은 Jetbot이며 자동화된 경로 계획에서 장애물 회피가 필요한 일부 로봇 작업 시나리오에 적용할 수 있다.