Chapter 396. 임무 관리 개론 (Introduction to Mission Management)

1. 임무 관리의 정의

임무 관리(Mission Management)란 자율 로봇 시스템이 수행해야 하는 고수준 목표(Goal)를 체계적으로 정의하고, 해당 목표를 달성하기 위한 작업(Task)을 계획·할당·실행·감시·조정하는 전 과정을 포괄하는 개념이다. 이는 단순한 경로 추종이나 단일 행동 실행을 넘어서, 복잡한 운용 시나리오에서 로봇의 전체 행동을 상위 수준에서 통제하는 체계적 접근법에 해당한다.

형식적으로 임무 관리 문제는 다음과 같이 정의할 수 있다:

\mathcal{M} = \langle \mathcal{G}, \mathcal{T}, \mathcal{R}, \mathcal{C}, \mathcal{E} \rangle

여기서 \mathcal{G} = \{g_1, g_2, \ldots, g_k\}는 임무 목표 집합, \mathcal{T} = \{t_1, t_2, \ldots, t_n\}는 작업 집합, \mathcal{R} = \{r_1, r_2, \ldots, r_m\}는 가용 자원 집합, \mathcal{C}는 제약 조건 집합, \mathcal{E}는 환경 상태를 나타낸다.

2. 임무 관리의 역사적 배경

임무 관리 개념은 군사 분야의 지휘 통제(Command and Control, C2) 시스템에서 기원하였다. 1960년대 미국 국방부의 자동화된 작전 계획 시스템 개발이 초기 연구의 출발점이 되었으며, 이후 무인 항공기(UAV)의 자율 운용 요구가 증가하면서 로봇공학 분야로 확장되었다(Bellingham et al., 2002).

1990년대에 이르러 DARPA의 무인 지상 차량 프로그램, 특히 Demo III 프로젝트에서 계층적 임무 관리 아키텍처가 본격적으로 연구되었다. 2000년대 이후에는 민간 분야로의 확장이 이루어져, 물류 배송, 농업 자동화, 재난 대응 등 다양한 영역에서 임무 관리 시스템의 필요성이 대두되었다.

2.1 주요 연구 흐름의 변천

3. 임무의 계층적 구조

3.1 임무 분해

임무 관리에서 가장 핵심적인 개념 중 하나는 임무의 계층적 분해(Hierarchical Decomposition)이다. 고수준 임무 목표는 점진적으로 세분화되어 최종적으로 로봇이 직접 실행할 수 있는 원자적 행동(Atomic Action)으로 분해된다. 이 과정은 계층적 작업 네트워크(Hierarchical Task Network, HTN) 프레임워크를 통해 형식적으로 표현할 수 있다(Erol et al., 1994).

\text{Mission} \xrightarrow{\text{decompose}} \text{Phase} \xrightarrow{\text{decompose}} \text{Task} \xrightarrow{\text{decompose}} \text{Action}

예를 들어, “건물 내부 탐색” 임무는 다음과 같이 분해될 수 있다:

1. 단계(Phase): 진입 → 탐색 → 보고 → 귀환
2. 작업(Task): 진입로 식별 → 장애물 회피 이동 → 방 탐색 → 데이터 전송
3. 행동(Action): 전방 이동 → 좌회전 → 센서 스캔 → 데이터 패킷 전송

3.2 추상화 수준과 의사 결정 주기

각 계층에서의 의사 결정은 서로 다른 시간 척도(Time Scale)와 추상화 수준에서 이루어진다:

4. 임무 관리 시스템의 아키텍처

4.1 중앙 집중식 아키텍처

중앙 집중식(Centralized) 아키텍처에서는 단일 임무 관리 노드가 전체 시스템의 임무 계획, 할당, 감시를 총괄한다. 이 구조는 전역 최적화(Global Optimization)가 가능하다는 장점이 있으나, 단일 실패점(Single Point of Failure)이 존재하며, 로봇 수 증가에 따른 확장성(Scalability) 문제가 발생한다.

\text{계산 복잡도}: O(n^k) \quad \text{(}n\text{: 로봇 수, }k\text{: 작업 수)}

4.2 분산식 아키텍처

분산식(Distributed) 아키텍처에서는 각 로봇이 자체적인 임무 관리 기능을 보유하며, 로봇 간 협상(Negotiation)이나 합의(Consensus) 프로토콜을 통해 임무를 조율한다. 경매 기반 접근법(Auction-based Approach)과 계약망 프로토콜(Contract Net Protocol, CNP)이 대표적인 분산 임무 할당 기법이다(Smith, 1980).

4.3 하이브리드 아키텍처

실제 시스템에서는 중앙 집중식과 분산식의 장점을 결합한 하이브리드(Hybrid) 아키텍처가 널리 채택된다. 상위 수준에서는 중앙 관리자가 전략적 의사 결정을 담당하고, 하위 수준에서는 각 로봇이 자율적으로 전술적·반응적 의사 결정을 수행한다.

5. 임무 관리의 기능적 구성 요소

5.1 임무 계획 수립 (Mission Planning)

임무 계획 수립은 주어진 목표를 달성하기 위한 작업 시퀀스를 생성하는 과정이다. 고전적 AI 계획(Classical AI Planning) 기법에서부터 시간 계획(Temporal Planning), 확률적 계획(Probabilistic Planning)에 이르기까지 다양한 기법이 존재한다.

PDDL(Planning Domain Definition Language)은 계획 문제를 형식적으로 기술하기 위한 표준 언어로, 도메인(Domain)과 문제(Problem)의 분리를 통해 재사용성을 제공한다(McDermott et al., 1998).

5.2 임무 모니터링 (Mission Monitoring)

임무 모니터링은 임무 수행 상태를 실시간으로 추적하고, 계획과 실제 수행 사이의 편차(Deviation)를 감지하는 과정이다. 모니터링 시스템은 다음과 같은 정보를 종합적으로 관찰한다:

• 진행도(Progress): 현재까지 완료된 작업의 비율
• 상태 건전성(Health Status): 로봇 하위 시스템의 정상 동작 여부
• 환경 변화(Environmental Changes): 동적 장애물, 기상 조건 등의 변동
• 자원 소비(Resource Consumption): 에너지, 통신 대역폭 등의 소비 현황

5.3 임무 재계획 (Mission Replanning)

예상치 못한 상황이 발생했을 때, 기존 계획을 수정하거나 완전히 새로운 계획을 수립하는 과정이다. 재계획의 트리거(Trigger)는 다음과 같은 사건에 의해 발생한다:

• 임무 목표의 변경
• 환경 조건의 급격한 변화
• 로봇 하드웨어의 고장
• 통신 링크의 단절
• 에너지 부족

재계획 전략은 크게 **완전 재계획(Complete Replanning)**과 **증분 재계획(Incremental Replanning)**으로 구분된다. 완전 재계획은 처음부터 새로운 계획을 수립하는 반면, 증분 재계획은 기존 계획의 변경이 필요한 부분만 수정한다.

5.4 자원 관리 (Resource Management)

로봇이 보유한 자원은 유한하며, 효율적인 자원 관리는 임무 성공의 핵심 요소이다. 주요 관리 대상 자원은 다음과 같다:

\mathcal{R} = \{\text{에너지}(E), \text{시간}(\tau), \text{통신 대역폭}(B), \text{탑재체 용량}(P), \text{연산 자원}(C)\}

자원 배분 문제는 일반적으로 NP-난해(NP-hard) 문제에 해당하므로, 휴리스틱 또는 근사 알고리즘을 통해 실시간으로 해결해야 한다.

6. 임무 명세 기법

6.1 형식적 명세 언어

임무의 시간적·논리적 요구사항을 엄밀하게 기술하기 위해 형식적 명세 언어(Formal Specification Language)가 사용된다. 선형 시간 논리(Linear Temporal Logic, LTL)는 시간에 따른 속성을 표현하는 대표적인 형식 체계이다.

LTL의 기본 연산자는 다음과 같다:

• \bigcirc \varphi (Next): 다음 시점에서 \varphi가 성립한다.
• \Box \varphi (Always): 모든 미래 시점에서 \varphi가 성립한다.
• \Diamond \varphi (Eventually): 어떤 미래 시점에서 \varphi가 성립한다.
• \varphi \mathcal{U} \psi (Until): \psi가 성립할 때까지 \varphi가 성립한다.

예를 들어, “지점 A를 방문한 후 지점 B를 방문하라“는 임무는 다음과 같이 표현된다:

\varphi = \Diamond (\text{visit}_A \wedge \Diamond \text{visit}_B)

6.2 자연어 기반 임무 명세

최근에는 자연어 처리(Natural Language Processing, NLP) 기술을 활용하여 자연어로 기술된 임무 명세를 자동으로 형식적 명세로 변환하는 연구가 활발히 진행되고 있다(Tellex et al., 2011). 이는 비전문가 운용자가 직관적으로 임무를 정의할 수 있게 하여 시스템의 접근성을 향상시킨다.

7. 임무 관리의 성능 지표

임무 관리 시스템의 성능을 정량적으로 평가하기 위한 주요 지표는 다음과 같다:

7.1 임무 완수율

\eta_{\text{completion}} = \frac{\text{성공적으로 완수된 임무 수}}{\text{전체 부여된 임무 수}} \times 100\%

7.2 임무 수행 시간 효율

\eta_{\text{time}} = \frac{T_{\text{optimal}}}{T_{\text{actual}}}

여기서 T_{\text{optimal}}은 이론적 최적 수행 시간, T_{\text{actual}}은 실제 수행 시간이다.

7.3 자원 활용 효율

\eta_{\text{resource}} = \frac{\sum_{i} R_{i,\text{utilized}}}{\sum_{i} R_{i,\text{available}}}

7.4 재계획 빈도

f_{\text{replan}} = \frac{\text{재계획 발생 횟수}}{T_{\text{total}}}

재계획 빈도가 과도하게 높으면 초기 계획의 품질이 낮거나 환경 불확실성이 높음을 의미하며, 시스템의 안정성 관점에서 바람직하지 않다.

8. 도전 과제와 연구 방향

8.1 확장성 문제

대규모 다중 로봇 시스템에서의 임무 관리는 조합 폭발(Combinatorial Explosion) 문제에 직면한다. 로봇 수와 작업 수가 증가함에 따라 탐색 공간이 기하급수적으로 확장되므로, 효율적인 분산 알고리즘과 근사 기법의 개발이 요구된다.

8.2 이질적 시스템 통합

지상, 공중, 수상, 수중 등 이질적(Heterogeneous) 로봇 플랫폼을 단일 임무 관리 프레임워크 내에서 통합적으로 관리하는 것은 각 플랫폼의 상이한 능력, 제약, 통신 특성으로 인해 난제로 남아 있다.

8.3 인간-로봇 협력

임무 관리 시스템은 완전 자율 운용뿐만 아니라, 인간 운용자와의 협력적 의사 결정(Human-in-the-Loop, HITL)을 지원해야 한다. 가변적 자율성(Adjustable Autonomy) 개념은 상황에 따라 자율성 수준을 동적으로 조절하는 메커니즘을 제공한다(Dorais et al., 1999).

8.4 학습 기반 임무 관리

강화 학습(Reinforcement Learning), 모방 학습(Imitation Learning) 등의 기계 학습 기법을 활용하여 경험으로부터 임무 관리 정책을 자율적으로 학습하는 연구가 활발히 진행되고 있다. 이는 사전에 모든 상황을 예측하기 어려운 비구조적 환경에서 특히 유용하다.

9. 참고 문헌

• Bellingham, J. G., Tillerson, M., Richards, A., and How, J. P. (2002). “Multi-Task Allocation and Path Planning for Cooperating UAVs.” Cooperative Control: Models, Applications and Algorithms, Springer, 23-41.
• Dorais, G. A., Bonasso, R. P., Kortenkamp, D., Pell, B., and Schreckenghost, D. (1999). “Adjustable Autonomy for Human-Centered Autonomous Systems.” Working Notes of the Sixteenth International Joint Conference on Artificial Intelligence Workshop on Adjustable Autonomy Systems, 16-35.
• Erol, K., Hendler, J., and Nau, D. S. (1994). “HTN Planning: Complexity and Expressivity.” Proceedings of the Twelfth National Conference on Artificial Intelligence (AAAI-94), 1123-1128.
• McDermott, D., Ghallab, M., Howe, A., Knoblock, C., Ram, A., Veloso, M., Weld, D., and Wilkins, D. (1998). “PDDL—The Planning Domain Definition Language.” Technical Report CVC TR-98-003, Yale Center for Computational Vision and Control.
• Smith, R. G. (1980). “The Contract Net Protocol: High-Level Communication and Control in a Distributed Problem Solver.” IEEE Transactions on Computers, C-29(12), 1104-1113.
• Tellex, S., Kollar, T., Dickerson, S., Walter, M. R., Banerjee, A. G., Teller, S., and Roy, N. (2011). “Understanding Natural Language Commands for Robotic Navigation and Mobile Manipulation.” Proceedings of the Twenty-Fifth AAAI Conference on Artificial Intelligence, 1507-1514.

Version: v1.0 (2026-03-23)