397.86 수색 및 구조(SAR) 환경의 탐색 임무 계획

1. 개요

수색 및 구조(Search and Rescue, SAR) 환경에서의 탐색 임무 계획은 로봇 임무 계획의 가장 도전적인 응용 분야 중 하나이다. SAR 환경은 지진, 태풍, 건물 붕괴, 산악 조난 등의 재난 상황에서 생존자를 신속하게 발견하고 구조하는 것을 목표로 하며, 극도의 시간 압박, 불확실한 환경 정보, 위험한 지형 조건, 그리고 제한된 통신 인프라 하에서 로봇의 탐색 임무를 계획해야 한다(Murphy, 2014).

자율 로봇을 활용한 SAR 탐색 임무는 인간 구조대원의 접근이 어려운 위험 지역에 대한 탐색을 가능하게 하고, 광역 탐색의 속도를 향상시키며, 구조 인력의 안전을 보장하는 데 기여한다. 이 절에서는 SAR 환경에 특화된 탐색 임무 계획 기법을 분석하고, 구체적 시나리오를 통해 적용 양상을 고찰한다.

2. SAR 임무의 특성

2.1 시간 긴급성

SAR 임무에서 가장 결정적인 요소는 시간이다. 인체의 “골든 타임(Golden Time)“이라 불리는 생존 임계 시간은 재난 유형에 따라 다르지만, 일반적으로 건물 붕괴 후 72시간 이내에 생존자 발견 확률이 급격히 감소한다. 따라서 SAR 탐색 임무 계획은 탐색 완전성(Search Completeness)보다 생존자 발견 가능성의 조기 극대화를 우선시해야 한다.

임무 계획의 목적 함수는 다음과 같이 정의된다:

\max \int_0^{T_{\text{mission}}} \sum_{i=1}^{N} P_{\text{det}}(t, x_i(t)) \, dt

여기서 P_{\text{det}}(t, x_i(t))는 시각 t에서 로봇 i의 위치 x_i(t)에서의 생존자 탐지 확률이다.

환경 불확실성

SAR 환경은 다음과 같은 다중 수준의 불확실성을 포함한다:

지형 불확실성: 재난으로 인한 지형 변형이 기존 지도 정보를 무효화한다. 건물 잔해, 산사태, 침수 등으로 인해 통행 가능 경로가 사전에 알려져 있지 않다.

피해자 위치 불확실성: 생존자의 위치가 사전에 알려져 있지 않으며, 확률적 분포로만 추정할 수 있다. 생존자 위치의 사전 확률(Prior Probability)은 재난 유형, 건물 구조, 인구 밀도 등의 정보로부터 추정된다.

센서 불확실성: 열화상 카메라, 음향 감지기, 가스 센서 등의 탐색 센서는 잔해물, 분진, 온도 변화 등으로 인해 탐지 성능이 저하될 수 있다. 위양성(False Positive)과 위음성(False Negative)의 확률을 모델링해야 한다.

통신 불확실성: 재난 환경에서의 통신 인프라 손상은 로봇 간 또는 로봇-기지 간 통신의 간헐적 두절을 야기한다.

로봇 플랫폼의 다양성

SAR 임무에 투입되는 로봇 플랫폼은 환경 특성에 따라 다양하다:

탐색 이론 기반 임무 계획

최적 탐색 이론(Optimal Search Theory)

최적 탐색 이론은 제한된 탐색 자원(시간, 에너지)을 최적으로 배분하여 표적 발견 확률을 극대화하는 수학적 프레임워크이다(Stone, 1975). SAR 임무 계획에의 적용은 다음과 같이 이루어진다.

탐색 영역 \mathcal{A}를 유한 개의 셀(Cell) \{c_1, c_2, \ldots, c_M\}로 분할한다. 각 셀 c_j에 대해 다음의 확률을 정의한다:

• 사전 포함 확률(Prior Containment Probability): p_j^0 = P(\text{피해자} \in c_j), 피해자가 셀 c_j에 있을 사전 확률
• 탐지 확률(Detection Probability): d_j(z_j) = 1 - e^{-\alpha_j z_j}, 탐색 노력(Search Effort) z_j를 투입했을 때 셀 c_j에서 피해자를 탐지할 조건부 확률. \alpha_j는 해당 셀의 탐색 효율(Sweep Width)

총 탐색 노력의 제약 \sum_j z_j \leq Z_{\text{total}} 하에서, 전체 탐지 확률을 최대화하는 최적 탐색 노력 배분은 다음과 같다:

\max \sum_{j=1}^{M} p_j^0 \cdot d_j(z_j) = \max \sum_{j=1}^{M} p_j^0 (1 - e^{-\alpha_j z_j})

라그랑주 승수법(Lagrange Multiplier Method)을 적용하면, 최적 해는 다음의 조건을 만족한다:

p_j^0 \alpha_j e^{-\alpha_j z_j^*} = \lambda, \quad \forall j \text{ where } z_j^* > 0

여기서 \lambda는 라그랑주 승수이다. 이 조건은 최적 탐색 노력 배분이 각 셀에서의 한계 탐지 확률 증가분을 균등화하는 것임을 의미한다.

베이지안 탐색(Bayesian Search)

베이지안 탐색은 탐색 과정에서 획득한 관측 정보를 활용하여 피해자 위치에 대한 사후 확률(Posterior Probability)을 점진적으로 갱신하는 방법이다. 베이즈 정리(Bayes’ Theorem)를 적용한 확률 갱신은 다음과 같다:

탐색 결과 셀 c_j에서 피해자를 발견하지 못한 경우(음성 관측):

p_j^{t+1} = \frac{p_j^t (1 - d_j)}{1 - p_j^t \cdot d_j}

p_k^{t+1} = \frac{p_k^t}{1 - p_j^t \cdot d_j}, \quad k \neq j

이 갱신은 탐색했지만 발견하지 못한 셀의 포함 확률을 감소시키고, 아직 탐색하지 않은 셀의 상대적 포함 확률을 증가시킨다. 이를 통해 후속 탐색 노력을 갱신된 확률 분포에 따라 재배분할 수 있다.

정보 이득 기반 탐색 계획

정보 이론(Information Theory)적 관점에서, 각 탐색 행동의 가치를 정보 이득(Information Gain)으로 평가할 수 있다. 탐색 행동 a의 기대 정보 이득은 다음과 같이 정의된다:

IG(a) = H(X) - \mathbb{E}_{Y \sim P(Y|a)}[H(X|Y)]

여기서 H(X)는 피해자 위치에 대한 현재 엔트로피, H(X|Y)는 관측 Y를 수행한 후의 조건부 엔트로피이다. 정보 이득이 높은 행동을 우선적으로 선택함으로써, 피해자 위치에 대한 불확실성을 가장 빠르게 감소시킬 수 있다.

3. 멀티 로봇 SAR 탐색 계획

3.1 이기종 로봇 협업 탐색

이기종(Heterogeneous) 로봇 팀을 활용한 SAR 탐색은 각 로봇 유형의 강점을 상호 보완하여 탐색 효율을 극대화한다. 전형적인 이기종 협업 구조는 다음과 같다:

1단계 - 광역 탐색(Wide Area Search): 고정익 드론 또는 고고도 멀티로터가 광범위한 재난 영역을 신속히 조사하여, 피해 집중 지역과 접근 경로를 식별한다. 광학 및 열화상 영상을 통해 생존자 존재 가능성이 높은 구역을 표시한다.

2단계 - 정밀 탐색(Close Inspection): 1단계에서 식별된 고확률 구역에 대해 저고도 멀티로터 또는 소형 지상 로봇이 정밀 탐색을 수행한다. 열화상, 음향 감지, CO₂ 센서 등을 활용하여 생존자의 정확한 위치를 특정한다.

3단계 - 접근 및 평가(Approach and Assessment): 생존자 위치가 특정되면, 대형 지상 로봇 또는 구조대원이 접근하여 상태를 평가하고 구조 작업을 수행한다. 로봇은 구조 경로의 안전성을 사전 평가하고, 필요 시 잔해 제거를 보조한다.

3.2 분산 탐색 전략

통신이 간헐적이거나 불안정한 SAR 환경에서는 중앙 집중식 계획보다 분산 탐색 전략이 적합하다. 대표적인 분산 탐색 전략은 다음과 같다:

프론티어 기반 탐색(Frontier-Based Exploration): 로봇이 자체적으로 미탐색 영역과 탐색 완료 영역의 경계(프론티어)를 식별하고, 가장 유익한 프론티어로 이동한다(Yamauchi, 1997). 다중 로봇에서는 각 로봇이 서로 다른 프론티어를 선택하도록 조율하여 탐색 중복을 최소화한다.

프론티어 선택 기준은 다음의 효용 함수로 정의된다:

U(f) = \alpha \cdot \text{size}(f) + \beta \cdot p_{\text{victim}}(f) - \gamma \cdot d_{\text{travel}}(f) - \delta \cdot \text{risk}(f)

여기서 \text{size}(f)는 프론티어의 크기, p_{\text{victim}}(f)는 해당 프론티어 너머 생존자 존재 확률, d_{\text{travel}}(f)는 프론티어까지의 이동 거리, \text{risk}(f)는 경로의 위험도이다.

보로노이 기반 분할 탐색: 로봇들이 상호 위치 정보를 교환하여 현재 위치 기반의 보로노이 분할을 수행하고, 각자의 보로노이 셀 내에서 독립적으로 탐색을 진행한다. 로봇의 이동에 따라 보로노이 분할이 동적으로 갱신된다.

확률적 로드맵 기반 탐색: 탐색 영역에 무작위 샘플링으로 로드맵을 구성하고, 각 로봇이 로드맵을 따라 이동하면서 주변 영역을 탐색한다. 이 방법은 복잡한 3차원 잔해 환경에서의 탐색 경로 계획에 유용하다.

POMDP 기반 SAR 탐색 계획

문제 정형화

SAR 탐색 임무는 본질적으로 부분 관측 환경에서의 의사결정 문제이므로, POMDP 프레임워크로의 정형화가 자연스럽다:

• 상태(State): s = (x_1, x_2, \ldots, x_N, v_1, v_2, \ldots, v_L, \text{env}), 로봇 위치(x_i), 피해자 상태(v_l: 미발견/발견/구조), 환경 상태
• 행동(Action): 각 로봇의 이동 방향 및 센서 활성화 선택
• 관측(Observation): 센서 판독값 (열화상 신호, 음향 신호, 영상 특징 등)
• 전이 함수: 로봇 이동 모델, 피해자 상태 전이 (시간 경과에 따른 생존 확률 감소)
• 관측 함수: 센서 모델 (탐지 확률, 위양성률, 위음성률)
• 보상 함수: 피해자 발견에 대한 높은 양의 보상, 시간 경과에 비례하는 음의 보상, 위험 영역 진입에 대한 벌칙

근사 해법의 적용

SAR 환경의 POMDP는 상태 공간과 관측 공간의 규모가 매우 크므로, 정확한 해법의 적용이 불가능하다. 실무적으로는 다음의 근사 해법이 활용된다:

몬테카를로 트리 탐색(Monte Carlo Tree Search, MCTS): 현재 신뢰 상태(Belief State)에서 출발하여, 무작위 시뮬레이션(Rollout)을 반복 수행함으로써 향후 수 단계의 최적 행동을 근사적으로 결정한다. POMCP(Partially Observable Monte Carlo Planning)(Silver & Veness, 2010)는 이 접근법의 대표적 알고리즘이다.

매크로 행동(Macro-Action) 기반 계획: 기본 행동(단일 이동)이 아닌 상위 수준의 매크로 행동(예: “구역 A 탐색”, “프론티어 B로 이동”)으로 행동 공간을 추상화하여 계획 문제의 규모를 축소한다.

통신 제약 하의 탐색 조율

간헐적 통신 환경

SAR 환경에서 로봇 간 통신은 잔해, 지형, 거리 등으로 인해 간헐적(Intermittent)으로 단절될 수 있다. 간헐적 통신 환경에서의 멀티 로봇 탐색 조율 전략은 다음과 같다:

약정 기반 조율(Commitment-Based Coordination): 통신이 가능한 시점에 각 로봇이 향후 일정 기간의 탐색 계획(약정)을 교환하고, 통신 두절 기간에는 약정에 따라 독립적으로 탐색을 진행한다. 통신이 재개되면 약정을 갱신한다.

랑데부 기반 조율(Rendezvous-Based Coordination): 사전에 합의된 시간과 장소에서 로봇들이 만남(랑데부)을 수행하여 정보를 교환한다. 랑데부 지점과 시점은 탐색 효율과 정보 교환 빈도 사이의 균형을 고려하여 결정된다.

통신 중계 로봇

통신 연결성이 필수적인 상황에서는 전용 통신 중계 로봇(Communication Relay Robot)을 배치하여 탐색 로봇과 기지 간의 통신 경로를 유지한다. 중계 로봇의 위치 결정은 다음의 최적화 문제로 정형화된다:

\min \text{중계 로봇 수} \quad \text{s.t.} \quad \text{모든 탐색 로봇의 통신 연결성 보장}

이 문제는 최소 연결 지배 집합(Minimum Connected Dominating Set) 문제의 변형으로, NP-난해(NP-Hard)이므로 근사 알고리즘이 활용된다.

4. 구체적 시나리오 분석

4.1 건물 붕괴 시나리오

건물 붕괴 후의 SAR 탐색은 가장 전형적인 시나리오이다. 임무 계획의 핵심 요소는 다음과 같다:

1. 초기 상황 평가: 드론을 활용한 붕괴 현장의 3차원 재구성. 구조물의 잔존 부분, 붕괴 잔해의 분포, 접근 가능 경로를 식별한다.
2. 생존자 위치 추정: 건물 도면, 사고 시각의 재실 인원 정보, 장치 신호(스마트폰 위치 등)를 기반으로 초기 확률 맵을 생성한다.
3. 탐색 자원 배분: 생존 확률이 높은 구역(예: 삼각형 빈 공간 형성이 예상되는 구역)에 우선적으로 탐색 자원을 배분한다.
4. 소형 로봇 투입: 잔해 틈새로 소형 지상 로봇 또는 뱀형 로봇을 투입하여 열화상/음향 기반 생존자 탐색을 수행한다.
5. 정보 갱신 및 재계획: 탐색 결과에 따라 확률 맵을 갱신하고, 탐색 자원을 재배분한다.

4.2 산악 조난 시나리오

산악 조난에서의 SAR 탐색은 광활한 탐색 영역, 복잡한 3차원 지형, 그리고 기상 조건의 급격한 변화를 특징으로 한다:

1. 최종 확인 지점(Last Known Position, LKP) 기반 확률 분포 생성: 조난자의 최종 위치 보고, 등산 계획, 체력 수준 등을 기반으로 이동 확산 모델을 적용하여 위치 확률 분포를 생성한다.
2. 지형 분석 기반 탐색 영역 필터링: 조난자의 이동이 불가능한 절벽, 암벽 등의 영역을 탐색 대상에서 제외하여 탐색 효율을 향상시킨다.
3. 드론 군 광역 탐색: 고고도 드론을 활용하여 광역 열화상 및 시각적 탐색을 수행한다. 임목 밀도가 높은 지역에서는 열화상의 효율이 저하되므로, 소리 기반 탐색을 병행한다.
4. 우선순위 기반 정밀 탐색: 드론 탐색에서 이상 신호가 감지된 지점에 지상 로봇 또는 구조대원을 투입하여 정밀 탐색을 수행한다.

4.3 수중 수색 시나리오

수중 SAR 탐색은 수중 로봇(AUV, ROV)을 활용하여 수행되며, 수중 통신의 제약, 조류·시정의 영향, 그리고 수압에 따른 운용 깊이 제한이 추가적 도전 요소이다. 소나(Sonar) 기반 해저면 탐사와 수중 카메라 기반 시각 탐색을 병행하며, 잔먹(Lawnmower) 패턴 또는 나선형 패턴의 체계적 탐색 경로를 계획한다.

5. 성능 평가

SAR 탐색 임무 계획의 성능은 다음의 지표로 평가한다:

6. 참고 문헌

• Murphy, R. R. (2014). “Disaster Robotics.” MIT Press.
• Stone, L. D. (1975). “Theory of Optimal Search.” Academic Press.
• Silver, D., & Veness, J. (2010). “Monte-Carlo Planning in Large POMDPs.” Advances in Neural Information Processing Systems (NeurIPS), 23.
• Yamauchi, B. (1997). “A Frontier-Based Approach for Autonomous Exploration.” IEEE International Symposium on Computational Intelligence in Robotics and Automation (CIRA), 146-151.
• Waharte, S., & Trigoni, N. (2010). “Supporting Search and Rescue Operations with UAVs.” Proceedings of the International Conference on Emerging Security Technologies (EST), 142-147.
• Kitano, H., & Tadokoro, S. (2001). “RoboCup Rescue: A Grand Challenge for Multiagent and Intelligent Systems.” AI Magazine, 22(1), 39-52.