396.60 운영자 개입을 위한 혼합 이니셔티브(Mixed-Initiative) 모델

1. 개요

혼합 이니셔티브(Mixed-Initiative) 모델은 인간 운영자와 자율 로봇 시스템이 임무의 주도권(initiative)을 동적으로 공유하는 상호작용 패러다임이다. 전통적인 완전 수동 제어나 완전 자율 운용과 달리, 혼합 이니셔티브 시스템에서는 상황, 역량, 필요에 따라 의사결정의 주도권이 인간과 로봇 사이에서 유동적으로 전환된다. 본 절에서는 혼합 이니셔티브 모델의 이론적 기초, 주도권 배분 메커니즘, 구현 아키텍처, 그리고 임무 관리 시스템에서의 실제 적용을 분석한다.

2. 혼합 이니셔티브의 이론적 기초

2.1 혼합 이니셔티브의 정의

혼합 이니셔티브(Mixed-Initiative, MI) 상호작용이란 인간과 컴퓨터 시스템이 공통 목표를 달성하기 위해 각자의 강점을 활용하며 주도적으로 기여하는 협력적 문제 해결 패러다임을 의미한다(Allen 등, 1999). 이 개념은 인간-컴퓨터 상호작용(HCI) 분야에서 시작되어 로봇공학, 인공지능 계획, 군사 지휘 통제 등의 영역으로 확장되었다.

혼합 이니셔티브의 핵심 원칙은 다음과 같다:

• 상호 보완성(Mutual Complementarity): 인간의 창의적 추론, 상황 판단, 윤리적 판단 능력과 로봇의 정밀한 연산, 빠른 반응, 지속적 감시 능력을 결합
• 동적 주도권(Dynamic Initiative): 고정된 역할 배분이 아닌, 상황에 따라 유동적으로 변화하는 주도권 배분
• 투명한 협력(Transparent Collaboration): 양측 모두 상대방의 상태, 의도, 능력을 인식할 수 있는 상호 이해

2.2 주도권의 수학적 모델링

주도권(initiative)을 형식적으로 정의하기 위해, 임무 수행 과정에서 발생하는 의사결정 시점의 집합 \mathcal{T}_d = \{t_1, t_2, \ldots, t_N\}을 고려한다. 각 의사결정 시점 t_k에서의 주도권 할당 함수 I는 다음과 같이 정의된다:

I(t_k) \in \{H, R, S\}

여기서 H는 인간 주도(Human-Initiative), R은 로봇 주도(Robot-Initiative), S는 공유 주도(Shared-Initiative)를 나타낸다.

연속적 주도권 배분을 위해, 주도권 비율(initiative ratio) \rho(t) \in [0, 1]을 도입한다:

\rho(t) = \frac{\text{로봇의 의사결정 기여도}}{\text{전체 의사결정 기여도}}

\rho = 0은 완전 인간 주도, \rho = 1은 완전 로봇 주도를 나타내며, \rho \in (0, 1)은 혼합 이니셔티브 영역에 해당한다.

3. 주도권 배분 메커니즘

3.1 규칙 기반 주도권 배분

가장 기본적인 주도권 배분 방법은 사전 정의된 규칙 집합 \mathcal{R} = \{r_1, r_2, \ldots, r_M\}에 기반한다. 각 규칙 r_i는 조건-행동 쌍(condition-action pair)으로 다음과 같이 정의된다:

r_i: \text{if } \phi_i(\mathbf{x}_{\text{env}}, \mathbf{x}_{\text{sys}}, \mathbf{x}_{\text{op}}) \text{ then } I \leftarrow I_i

여기서 \phi_i는 조건 술어이다. 예를 들어:

• “통신 지연 > 2초이면 로봇 주도로 전환”
• “안전 임계 결정이면 인간 주도로 전환”
• “운영자 응답 시간 > 임계값이면 로봇 주도로 전환”

규칙의 충돌을 해결하기 위해 우선순위(priority) 체계를 적용하며, 안전 관련 규칙이 항상 최우선으로 작용한다.

3.2 효용 기반 주도권 최적화

효용 이론(utility theory)에 기반한 주도권 배분은 각 주도권 할당 방안의 기대 효용을 계산하고, 이를 최대화하는 할당을 선택한다. 의사결정 시점 t_k에서의 기대 효용 U는 다음과 같이 산출된다:

U(I = H, t_k) = U_{\text{quality}}^H(t_k) \cdot P_{\text{timely}}^H(t_k) - C_{\text{workload}}^H(t_k)
U(I = R, t_k) = U_{\text{quality}}^R(t_k) \cdot P_{\text{timely}}^R(t_k) - C_{\text{risk}}^R(t_k)

여기서:

• U_{\text{quality}}: 의사결정 품질 기대값
• P_{\text{timely}}: 적시적 결정 확률
• C_{\text{workload}}: 인간 작업 부하 비용
• C_{\text{risk}}: 자율 결정의 위험 비용

최적 주도권 할당은 다음과 같이 결정된다:

I^*(t_k) = \arg\max_{I \in \{H, R, S\}} U(I, t_k)

3.3 협상 기반 주도권 결정

인간과 로봇이 주도권을 상호 협상(negotiation)하는 모델에서는, 양측이 각자의 선호와 능력을 기반으로 주도권의 인수 또는 양도를 요청할 수 있다. 이 모델은 다음의 프로토콜을 따른다:

1. 주도권 요청(Initiative Request): 일방이 주도권의 인수 또는 양도를 요청
2. 능력 평가(Capability Assessment): 요청에 대한 상대방의 현재 능력과 상태 평가
3. 수락/거절(Accept/Reject): 평가 결과에 기반한 요청의 수락 또는 거절
4. 전환 실행(Transition Execution): 수락된 경우 주도권 전환의 실행
5. 확인(Confirmation): 전환 완료의 상호 확인

이 프로토콜은 상호 배타적 잠금(mutual exclusion lock)과 유사한 원리로 설계되며, 교착 상태(deadlock)를 방지하기 위한 타임아웃 메커니즘이 포함된다.

4. 혼합 이니셔티브의 구현 아키텍처

4.1 중재자 기반 아키텍처(Mediator-Based Architecture)

중재자 기반 아키텍처에서는 전담 중재 모듈(Mediator Module)이 인간과 로봇 사이에 위치하여 주도권의 배분과 전환을 관리한다. 중재자는 다음의 기능을 수행한다:

• 상태 통합(State Aggregation): 인간 상태(작업 부하, 가용성, 숙련도)와 로봇 상태(능력, 신뢰도, 자원)를 통합적으로 추적
• 주도권 결정(Initiative Arbitration): 통합 상태에 기반한 주도권 배분 결정
• 명령 변환(Command Translation): 인간의 의도를 로봇 실행 가능한 명령으로, 로봇의 제안을 인간 이해 가능한 형태로 변환
• 충돌 해소(Conflict Resolution): 인간과 로봇의 결정이 상충할 때 해소 전략 적용

4.2 정보 흐름 모델

혼합 이니셔티브 시스템에서의 정보 흐름은 양방향적(bidirectional)이다. 인간에서 로봇으로의 하향 정보 흐름(downward flow)에는 목표 지시, 제약 설정, 행동 승인/거부, 파라미터 조정 등이 포함된다. 로봇에서 인간으로의 상향 정보 흐름(upward flow)에는 상태 보고, 대안 제시, 위험 경고, 지원 요청 등이 포함된다.

정보 흐름의 대역폭과 빈도는 자율성 수준과 임무 상태에 따라 동적으로 조정된다. 이를 적응적 정보 관리(Adaptive Information Management) 정책이라 하며, 정보 과부하(information overload)와 정보 부족(information starvation)을 동시에 방지하는 것을 목적으로 한다.

5. 운영자 작업 부하 관리

5.1 작업 부하 모델링

혼합 이니셔티브 시스템의 효과적 운용을 위해서는 운영자의 인지적 작업 부하(cognitive workload)를 정량적으로 모델링하고 관리해야 한다. Hart와 Staveland(1988)가 개발한 NASA-TLX(Task Load Index)는 작업 부하를 6개 차원으로 평가하는 대표적 도구이다:

\text{TLX} = \sum_{i=1}^{6} w_i \cdot s_i

여기서 s_i는 각 차원(정신적 요구, 물리적 요구, 시간적 요구, 성과, 노력, 좌절감)의 주관적 평정값, w_i는 가중치이다.

실시간 작업 부하 추정을 위해서는 생리적 지표(physiological measures)를 활용한다. 동공 확장(pupillometry), 심박 변이(Heart Rate Variability, HRV), 뇌전도(EEG) 등의 생체 신호를 분석하여 운영자의 인지 부하를 연속적으로 추정한다.

5.2 작업 부하 기반 주도권 조정

운영자의 작업 부하가 과도해지면 시스템이 자율적으로 더 많은 주도권을 인수하고, 작업 부하가 감소하면 주도권을 인간에게 반환하는 적응적 조정 메커니즘을 적용한다. 작업 부하 W(t)에 대한 주도권 조정 정책은 다음과 같이 정의된다:

\rho_{\text{target}}(t) = \begin{cases} \rho_{\text{current}} + \Delta\rho_+ & \text{if } W(t) > W_{\text{high}} \\ \rho_{\text{current}} - \Delta\rho_- & \text{if } W(t) < W_{\text{low}} \\ \rho_{\text{current}} & \text{otherwise} \end{cases}

여기서 W_{\text{high}}와 W_{\text{low}}는 작업 부하의 상한 및 하한 임계값이고, \Delta\rho_+와 \Delta\rho_-는 조정 단계 크기이다.

6. 임무 관리에서의 혼합 이니셔티브 적용 패턴

6.1 계획 단계의 혼합 이니셔티브

임무 계획 수립 단계에서의 혼합 이니셔티브는 인간의 전략적 판단과 로봇의 계산적 최적화를 결합한다. 인간이 고수준 목표와 제약 조건을 설정하면, 로봇이 세부 계획을 자동 생성하고, 인간이 이를 검토하여 수정하는 반복적 세련화(iterative refinement) 과정을 거친다.

이 과정은 다음의 알고리즘으로 형식화된다:

Algorithm: Mixed-Initiative Mission Planning
Input: High-level objective O, Constraints C
Output: Refined mission plan P*

1. P₀ ← Robot.GeneratePlan(O, C)
2. k ← 0
3. while not Human.Approve(Pₖ) do
4.     Modifications Mₖ ← Human.Review(Pₖ)
5.     Pₖ₊₁ ← Robot.RefinePlan(Pₖ, Mₖ, C)
6.     k ← k + 1
7. end while
8. P* ← Pₖ
9. return P*

6.2 실행 단계의 혼합 이니셔티브

임무 실행 중의 혼합 이니셔티브는 정상 실행에서의 로봇 주도와 예외 상황에서의 인간 주도를 교차하는 패턴으로 구현된다. 시스템은 예외 상황을 자동 감지하고 인간에게 주도권 전환을 요청하되, 인간의 응답이 지연될 경우 시간 제약에 따라 자율적으로 결정을 내린다.

이러한 시간 제약 주도권 전환 모델은 다음과 같이 정의된다:

I(t_k) = \begin{cases} R & \text{if } (t_k - t_{\text{request}}) > T_{\text{timeout}} \\ H & \text{if Human responds within } T_{\text{timeout}} \\ R_{\text{default}} & \text{if no response and safety-critical} \end{cases}

6.3 감시 단계의 혼합 이니셔티브

임무 모니터링에서의 혼합 이니셔티브는 시스템이 자동으로 수행하는 지속적 감시와 인간이 선택적으로 수행하는 심층 분석의 결합으로 구성된다. 시스템은 핵심 성능 지표(KPI; Key Performance Indicator)를 지속적으로 추적하고, 이상이 감지되면 관련 데이터를 요약하여 인간에게 보고한다. 인간은 보고된 정보를 기반으로 추가 조사를 수행하거나 개입 결정을 내린다.

7. 혼합 이니셔티브의 평가 지표

혼합 이니셔티브 시스템의 효과성은 다음의 지표로 평가한다:

8. 참고 문헌

• J. F. Allen, C. I. Guinn, and E. Horvtz, “Mixed-Initiative Interaction,” IEEE Intelligent Systems, vol. 14, no. 5, pp. 14–23, 1999.
• E. Horvitz, “Principles of Mixed-Initiative User Interfaces,” Proceedings of ACM SIGCHI Conference on Human Factors in Computing Systems, pp. 159–166, 1999.
• R. Parasuraman, T. B. Sheridan, and C. D. Wickens, “A Model for Types and Levels of Human Interaction with Automation,” IEEE Transactions on Systems, Man, and Cybernetics—Part A, vol. 30, no. 3, pp. 286–297, 2000.
• S. G. Hart and L. E. Staveland, “Development of NASA-TLX (Task Load Index): Results of Empirical and Theoretical Research,” Advances in Psychology, vol. 52, pp. 139–183, 1988.
• M. R. Endsley, “Toward a Theory of Situation Awareness in Dynamic Systems,” Human Factors, vol. 37, no. 1, pp. 32–64, 1995.
• G. A. Dorais, R. P. Bonasso, D. Kortenkamp, B. Pell, and D. Schreckenghost, “Adjustable Autonomy for Human-Centered Autonomous Systems,” Proceedings of the IJCAI Workshop on Adjustable Autonomy Systems, 1999.
• D. Schreckenghost, T. Milam, and T. Fong, “Measuring Performance in Real-Time During Remote Human-Robot Operations with Adjustable Autonomy,” IEEE Intelligent Systems, vol. 25, no. 5, pp. 36–45, 2010.

version: 1.0