397.84 복수 드론 자율 감시 정찰 임무 계획 사례

1. 개요

복수 드론(Multi-UAV) 기반 자율 감시 정찰(Autonomous Surveillance and Reconnaissance) 임무는 임무 계획 기법의 대표적인 응용 분야이다. 단일 드론으로는 달성하기 어려운 광역 감시 범위, 지속적 감시 체계, 그리고 다각도 정보 수집을 복수 드론의 협업을 통해 실현한다. 이 절에서는 복수 드론 감시 정찰 임무의 계획 수립 과정을 구체적 사례를 통해 분석하고, 이에 적용되는 임무 계획 기법의 실무적 활용 양상을 고찰한다.

복수 드론 감시 정찰 임무 계획은 경로 계획(Path Planning), 작업 할당(Task Allocation), 시간 동기화(Temporal Synchronization), 자원 관리(Resource Management), 그리고 통신 연결성 유지(Communication Connectivity Maintenance)를 동시에 고려해야 하는 복합적 최적화 문제이다(Cai et al., 2014).

2. 문제 정의

2.1 감시 정찰 임무의 수학적 모델링

복수 드론 감시 정찰 임무는 다음의 수학적 구성 요소로 정의된다.

드론 집합: \mathcal{U} = \{u_1, u_2, \ldots, u_N\}을 N대의 드론으로 구성된 집합이라 하자. 각 드론 u_i는 다음의 속성을 보유한다:

• 최대 비행 속도 v_i^{\max}
• 최대 비행 시간 T_i^{\max} (배터리 용량에 의해 결정)
• 탑재 센서 유형 \mathcal{S}_i (광학, 적외선, SAR 레이더 등)
• 센서 유효 탐지 반경 r_i^s
• 초기 위치(이륙 기지) p_i^0

감시 영역: 감시 대상 영역 \mathcal{A} \subset \mathbb{R}^2는 유한 개의 관심 지점(Point of Interest, POI) 또는 감시 구역(Surveillance Zone)으로 분할된다. 관심 지점 집합 \mathcal{P} = \{p_1, p_2, \ldots, p_M\}의 각 요소 p_j는 다음의 속성을 보유한다:

• 위치 좌표 (x_j, y_j, z_j)
• 우선순위(Priority) w_j \in [0, 1]
• 요구 센서 유형 \mathcal{S}_j^{\text{req}}
• 최소 체류 시간(Dwell Time) \tau_j^{\min}
• 재방문 주기(Revisit Period) T_j^{\text{rev}}

임무 목표: 감시 정찰 임무의 목표는 다음의 최적화 함수로 표현된다:

\max \sum_{j=1}^{M} w_j \cdot c_j \quad \text{subject to operational constraints}

여기서 c_j \in \{0, 1\}는 관심 지점 p_j의 감시 완료 여부를 나타내는 이진 변수이다.

운용 제약 조건

감시 정찰 임무에 적용되는 주요 운용 제약 조건은 다음과 같다:

에너지 제약: 각 드론 u_i의 총 비행 시간이 최대 비행 시간을 초과할 수 없다:

\sum_{k} t_i^k \leq T_i^{\max}, \quad \forall u_i \in \mathcal{U}

여기서 t_i^k는 드론 u_i의 k번째 비행 구간(Leg) 소요 시간이다.

센서 호환성 제약: 관심 지점 p_j에 요구되는 센서를 탑재한 드론만이 해당 지점의 감시를 수행할 수 있다:

\mathcal{S}_j^{\text{req}} \subseteq \mathcal{S}_i, \quad \text{if } u_i \text{ is assigned to } p_j

충돌 회피 제약: 임의의 시간 t에서 서로 다른 드론 간의 최소 안전 거리가 유지되어야 한다:

\|p_i(t) - p_k(t)\| \geq d_{\text{safe}}, \quad \forall u_i, u_k \in \mathcal{U}, \; i \neq k

통신 연결성 제약: 모든 드론이 기지국 또는 다른 드론을 통한 중계(Relay)를 통해 통신 연결성을 유지해야 한다.

비행 금지 구역 제약: 비행 금지 구역(No-Fly Zone) \mathcal{Z}_{\text{NFZ}}를 회피해야 한다:

p_i(t) \notin \mathcal{Z}_{\text{NFZ}}, \quad \forall t, \; \forall u_i \in \mathcal{U}

임무 계획 기법의 적용

PDDL 기반 임무 계획

감시 정찰 임무를 PDDL로 모델링하면, 고전적 계획 기법을 활용하여 작업 할당과 순서를 결정할 수 있다. 감시 정찰 도메인의 PDDL 모델은 다음과 같이 구성된다:

(define (domain surveillance-domain)
  (:requirements :strips :typing :durative-actions :numeric-fluents)
  (:types
    uav waypoint sensor_type - object
    optical infrared sar_radar - sensor_type
  )
  (:predicates
    (at ?u - uav ?w - waypoint)
    (connected ?w1 - waypoint ?w2 - waypoint)
    (surveyed ?w - waypoint)
    (has_sensor ?u - uav ?s - sensor_type)
    (requires_sensor ?w - waypoint ?s - sensor_type)
    (available ?u - uav)
    (in_nfz ?w - waypoint)
  )
  (:functions
    (battery_level ?u - uav)
    (travel_time ?w1 - waypoint ?w2 - waypoint)
    (dwell_time ?w - waypoint)
    (priority ?w - waypoint)
  )
  (:durative-action fly_to
    :parameters (?u - uav ?from - waypoint ?to - waypoint)
    :duration (= ?duration (travel_time ?from ?to))
    :condition (and
      (at start (at ?u ?from))
      (at start (connected ?from ?to))
      (at start (available ?u))
      (at start (not (in_nfz ?to)))
      (at start (>= (battery_level ?u)
                     (travel_time ?from ?to)))
    )
    :effect (and
      (at start (not (at ?u ?from)))
      (at end (at ?u ?to))
      (at end (decrease (battery_level ?u)
                        (travel_time ?from ?to)))
    )
  )
  (:durative-action survey
    :parameters (?u - uav ?w - waypoint ?s - sensor_type)
    :duration (= ?duration (dwell_time ?w))
    :condition (and
      (at start (at ?u ?w))
      (at start (has_sensor ?u ?s))
      (at start (requires_sensor ?w ?s))
      (at start (not (surveyed ?w)))
      (over all (at ?u ?w))
      (at start (>= (battery_level ?u)
                     (dwell_time ?w)))
    )
    :effect (and
      (at end (surveyed ?w))
      (at end (decrease (battery_level ?u)
                        (dwell_time ?w)))
    )
  )
)

이 도메인 모델에서는 드론의 이동(fly_to)과 감시 수행(survey) 액션을 정의하며, 배터리 수준, 센서 호환성, 비행 금지 구역 등의 제약을 전제 조건과 효과로 표현한다.

MDP/POMDP 기반 불확실성 대응 계획

실제 감시 정찰 환경에서는 기상 조건 변화, 표적 이동, 센서 고장 등의 불확실성이 존재한다. 이러한 불확실성을 체계적으로 처리하기 위해 MDP(Markov Decision Process) 또는 POMDP(Partially Observable MDP) 기반 임무 계획이 활용된다.

상태 공간: s = (p_1^u, p_2^u, \ldots, p_N^u, \sigma_1, \sigma_2, \ldots, \sigma_M, b_1, b_2, \ldots, b_N)으로 정의된다. 여기서 p_i^u는 드론 u_i의 현재 위치, \sigma_j는 관심 지점 p_j의 감시 상태, b_i는 드론 u_i의 잔여 배터리 수준이다.

전이 확률: 기상 조건이나 풍향 변화에 의한 비행 시간의 변동, 센서 탐지 성공 확률 등을 전이 확률로 모델링한다. 예를 들어, 감시 성공 확률은 다음과 같이 정의할 수 있다:

P(\sigma_j = \text{surveyed} \mid u_i \text{ surveys } p_j) = p_{\text{det}}(r_{ij}, \theta_{ij})

여기서 r_{ij}는 드론-표적 간 거리, \theta_{ij}는 관측 각도이며, p_{\text{det}}는 탐지 확률 함수이다.

보상 함수: 감시 완료에 대한 보상과 에너지 소모에 대한 비용을 조합한다:

R(s, a) = \sum_{j} w_j \cdot \mathbb{1}[\sigma_j = \text{surveyed}] - \lambda \sum_{i} \Delta b_i(a)

여기서 \lambda는 에너지 소모 가중치, \Delta b_i(a)는 액션 a에 의한 드론 u_i의 배터리 소모량이다.

계층적 작업 분해 기반 계획

계층적 작업 네트워크(HTN) 기법을 활용하면, 감시 정찰 임무를 직관적으로 분해할 수 있다. 전형적인 분해 구조는 다음과 같다:

감시_정찰_임무
├── 사전_비행_준비
│   ├── 시스템_점검
│   ├── 센서_교정
│   └── 임무_파라미터_설정
├── 이륙_및_집결
│   ├── 순차_이륙
│   └── 편대_형성
├── 구역_감시_실행
│   ├── 구역_분할_및_할당
│   │   ├── 클러스터링_기반_분할
│   │   └── 드론-구역_할당
│   ├── 순찰_경로_생성
│   │   ├── TSP_기반_경로_최적화
│   │   └── 커버리지_경로_계획
│   ├── 동시_감시_실행
│   │   ├── 구역별_감시
│   │   ├── 이상_탐지_모니터링
│   │   └── 통신_연결성_유지
│   └── 재충전_스케줄링
│       ├── 배터리_잔량_모니터링
│       └── 순차_귀환_및_재이륙
├── 귀환
│   ├── 편대_귀환
│   └── 순차_착륙
└── 임무_후_처리
    ├── 데이터_수집
    └── 임무_보고서_생성

구역 분할과 작업 할당

보로노이 기반 구역 분할

감시 영역을 드론 수에 맞추어 적절히 분할하는 것은 효율적인 감시를 위한 전제 조건이다. 보로노이 분할(Voronoi Partitioning)은 가장 널리 활용되는 구역 분할 기법 중 하나이다.

가중 보로노이 분할(Weighted Voronoi Partition)에서, 각 드론 u_i에 할당되는 영역 \mathcal{V}_i는 다음과 같이 정의된다:

\mathcal{V}_i = \{q \in \mathcal{A} : w_i \|q - p_i\| \leq w_k \|q - p_k\|, \; \forall k \neq i\}

여기서 w_i는 드론 u_i의 성능 가중치(비행 속도, 센서 성능 등을 반영)이다. 이기종 드론 군(Heterogeneous UAV Fleet)의 경우, 각 드론의 성능 차이를 가중치로 반영하여 능력에 비례하는 구역을 할당한다.

2.2 경매 기반 작업 할당

관심 지점에 대한 드론의 작업 할당은 경매(Auction) 기반 알고리즘을 통해 분산적으로 수행할 수 있다. 합의 기반 번들 알고리즘(Consensus-Based Bundle Algorithm, CBBA)(Choi et al., 2009)은 복수 드론 작업 할당에 널리 활용되는 분산 알고리즘이다.

CBBA의 작동 원리는 다음과 같다:

1. 번들 구성(Bundle Construction): 각 드론이 자신에게 이익이 되는 작업들을 순차적으로 번들에 추가한다. 작업 j에 대한 드론 u_i의 입찰가(Bid)는 해당 작업의 한계 가치(Marginal Value)로 정의된다:

c_{ij} = f(\text{priority}_j, \text{distance}_{ij}, \text{sensor\_match}_{ij})

2. 합의 도출(Consensus): 드론 간 통신을 통해 작업 할당에 대한 합의를 도출한다. 각 드론은 우승자 목록(Winning List)과 우승 입찰가 목록(Winning Bid List)을 유지하며, 이웃 드론과 정보를 교환하여 충돌을 해결한다.

3. 수렴(Convergence): 모든 드론의 우승자 목록이 일치하면 알고리즘이 수렴하며, 최종 작업 할당이 결정된다.

순찰 경로 계획

커버리지 경로 계획

각 드론에 할당된 감시 구역 내에서의 순찰 경로는 커버리지 경로 계획(Coverage Path Planning, CPP) 기법을 통해 결정된다. 대표적인 기법은 다음과 같다:

볼스트로크 패턴(Boustrophedon Pattern): 감시 구역을 평행 스트립으로 분할하고, 왕복 주행 패턴을 생성한다. 인접 스트립 간의 간격은 센서 유효 탐지 폭의 2배 이내로 설정하여 완전 커버리지를 보장한다:

d_{\text{strip}} \leq 2 \cdot r_i^s \cdot \cos(\theta_{\text{max}})

여기서 \theta_{\text{max}}는 최대 허용 관측 경사각이다.

나선형 패턴(Spiral Pattern): 감시 구역의 외곽에서 중심으로 향하는 나선형 경로를 생성한다. 이 패턴은 구역 경계에서의 방향 전환 횟수를 최소화하여 에너지 효율을 향상시킨다.

2.3 관심 지점 순회 최적화

관심 지점 방문 순서의 최적화는 다중 외판원 문제(Multiple Traveling Salesman Problem, mTSP)로 정형화된다. N대의 드론이 M개의 관심 지점을 방문해야 하는 경우, 이진 결정 변수 x_{ijk}를 사용하여 다음과 같이 모델링한다:

\min \sum_{i=1}^{N} \sum_{j=1}^{M} \sum_{k=1}^{M} d_{jk} \cdot x_{ijk}

제약 조건:

\sum_{i=1}^{N} \sum_{k=1}^{M} x_{ijk} = 1, \quad \forall j \quad \text{(각 지점 정확히 1회 방문)}

\sum_{j=1}^{M} d_{jk} \cdot x_{ijk} \leq v_i^{\max} \cdot T_i^{\max}, \quad \forall i \quad \text{(에너지 제약)}

이 최적화 문제는 NP-난해(NP-Hard)이므로, 실용적인 규모의 문제에서는 메타 휴리스틱(Metaheuristic) 기법이 활용된다. 유전 알고리즘(Genetic Algorithm), 개미 군집 최적화(Ant Colony Optimization), 그리고 시뮬레이티드 어닐링(Simulated Annealing) 등이 대표적이다.

동적 재계획 시나리오

위협 회피 재계획

감시 정찰 임무 중 적대적 위협(Hostile Threat)이 탐지되면, 위협 영역을 회피하는 경로 재계획이 필요하다. 위협 영역은 동적 비행 금지 구역으로 추가되며, 영향을 받는 드론의 경로가 실시간으로 재계산된다.

재계획 프로세스는 다음의 단계를 따른다:

1. 위협 탐지 및 위협 영역 정의
2. 영향 받는 드론 식별 및 현재 경로 무효화
3. 갱신된 제약 조건 하에서의 경로 재계획
4. 작업 재할당 (필요 시, 위협으로 인해 도달 불가능한 관심 지점에 대한 재할당)
5. 재계획된 경로의 충돌 검증
6. 새로운 계획의 배포 및 실행

드론 고장 대응 재계획

임무 수행 중 드론에 고장이 발생하면, 해당 드론에 할당되었던 미완료 작업을 나머지 드론에 재할당해야 한다. 재할당 과정에서는 나머지 드론의 잔여 배터리, 현재 위치, 센서 호환성 등을 고려한다.

고장 대응 재할당 알고리즘은 다음의 최적화 문제를 해결한다:

\min \sum_{i \in \mathcal{U} \setminus \{u_f\}} \max_k t_i^k \quad \text{(최대 완료 시간 최소화)}

여기서 u_f는 고장 드론이며, t_i^k는 드론 u_i의 재할당된 작업 k의 완료 예상 시간이다.

2.4 기상 조건 변화 대응

기상 조건의 변화는 비행 가능 영역, 비행 속도, 센서 성능에 영향을 미친다. 풍속 증가, 강수, 시정 악화 등의 기상 변화가 감지되면, 다음의 대응 전략이 적용된다:

• 경미한 기상 변화: 비행 속도 파라미터와 에너지 소모 모델을 갱신하고, 현재 계획의 실행 가능성을 재평가한다.
• 중등도 기상 변화: 감시 우선순위를 재조정하고, 고우선순위 관심 지점에 자원을 집중하는 축소 계획으로 전환한다.
• 심각한 기상 변화: 모든 드론의 즉시 귀환을 명령하고, 기상 조건 회복 후 임무를 재개한다.

3. 성능 평가

3.1 평가 지표

복수 드론 감시 정찰 임무 계획의 성능은 다음의 지표를 통해 평가한다:

3.2 시뮬레이션 기반 검증

복수 드론 감시 정찰 임무 계획의 검증은 일반적으로 시뮬레이션 환경에서 수행된다. Gazebo, AirSim, MATLAB/Simulink 등의 시뮬레이션 도구가 활용되며, 다음의 시나리오 유형이 검증에 포함된다:

• 정적 환경 시나리오: 고정된 관심 지점과 정적 장애물이 있는 환경에서의 계획 성능 평가
• 동적 환경 시나리오: 이동하는 표적, 변화하는 기상 조건, 동적 비행 금지 구역이 존재하는 환경에서의 적응성 평가
• 스케일링 시나리오: 드론 수와 관심 지점 수를 점진적으로 증가시키며 계획 알고리즘의 확장성을 평가
• 고장 대응 시나리오: 임의 시점에 드론 고장을 주입하여 재계획 메커니즘의 효과성을 평가

4. 실제 운용 사례

4.1 국경 감시 시스템

국경 감시에서는 장거리 순찰 경로를 따라 복수 드론이 교대로 운용되며, 지속적 감시 체계를 구축한다. 이 시나리오에서는 재충전 스케줄링이 핵심적인 계획 요소이며, 드론의 귀환과 이륙 시점을 조율하여 감시 공백(Surveillance Gap)을 최소화한다(Nigam et al., 2012).

4.2 도심 보안 감시

도심 환경에서의 복수 드론 보안 감시는 3차원 장애물(건물, 구조물), 비행 금지 구역(공항 인근, 정부 시설 상공), 그리고 개인정보 보호 구역 등의 복잡한 공간 제약을 고려해야 한다. 감시 경로는 도로망이나 건물 옥상 등의 합법적 비행 회랑(Flight Corridor)을 따라 계획된다.

4.3 해양 감시 임무

해양 환경에서의 감시 정찰은 광활한 감시 영역, 제한된 착륙 지점(함정 또는 해상 플랫폼), 그리고 해상 기상의 급격한 변화를 특징으로 한다. 이 시나리오에서는 함정 기반 이착륙을 고려한 순환 순찰 계획과, 해상 풍향·조류를 반영한 에너지 최적 경로 계획이 핵심적이다.

5. 참고 문헌

• Cai, G., Dias, J., & Seneviratne, L. (2014). “A Survey of Small-Scale Unmanned Aerial Vehicles: Recent Advances and Future Development Trends.” Unmanned Systems, 2(02), 175-199.
• Choi, H. L., Brunet, L., & How, J. P. (2009). “Consensus-Based Decentralized Auctions for Robust Task Allocation.” IEEE Transactions on Robotics, 25(4), 912-926.
• Nigam, N., Bieniawski, S., Kroo, I., & Vian, J. (2012). “Control of Multiple UAVs for Persistent Surveillance: Algorithm and Flight Test Results.” IEEE Transactions on Control Systems Technology, 20(5), 1236-1251.
• Galceran, E., & Carreras, M. (2013). “A Survey on Coverage Path Planning for Robotics.” Robotics and Autonomous Systems, 61(12), 1258-1276.
• Scherer, J., & Rinner, B. (2016). “Persistent Multi-UAV Surveillance with Energy and Communication Constraints.” IEEE International Conference on Automation Science and Engineering (CASE), 1225-1230.