본 문서는 복잡하고 동적인 환경에서 자율 드론의 임무 수행 능력을 극대화하기 위한 하이브리드 3계층 제어 아키텍처를 심층적으로 분석하고 제안한다. 이 아키텍처는 세 가지의 검증된 기술, 즉 []전략적 심의 계층(Strategic Deliberation Layer)을 위한 계층적 임무 네트워크(Hierarchical Task Network, HTN), []전술적 실행 계층(Tactical Execution Layer)을 위한 행동 트리(Behavior Tree, BT), []핵심 안전 및 상태 계층(Core Safety and State Layer)을 위한 지능형 유한 상태 머신(Intelligent Finite State Machine, iFSM)을 유기적으로 통합한다. 각 계층은 고유의 강점을 바탕으로 특정 역할을 수행하며, 이들의 상호 보완적인 결합을 통해 시스템 전체의 강건성, 반응성, 안전성, 그리고 확장성을 확보한다.
HTN은 인간의 문제 해결 방식과 유사하게 추상적인 상위 임무 목표를 구체적인 기본 과업(primitive task)들로 분해하여, 복잡한 임무에 대한 구조적이고 논리적인 계획을 수립한다.1 이는 특히 다중 드론 군집의 협력적 행동을 조율하고 대규모 과업을 효율적으로 할당하는 데 강력한 기반을 제공한다.2
BT는 HTN이 생성한 계획을 실행하는 전술적 계층으로서, 모듈성과 반응성에 탁월한 강점을 보인다.4 ‘틱(tick)’ 기반의 실행 메커니즘과 Selector/Sequence 노드를 통해, BT는 예측 불가능한 환경 변화에 신속하게 대응하면서도 계획된 절차를 순차적으로 수행할 수 있다.6 이는 기존 유한 상태 머신(FSM)이 복잡해질수록 겪는 ‘상태 전이 폭발(state transition explosion)’ 문제를 해결하고, 시스템의 유지보수성과 확장성을 극적으로 향상시킨다.5
iFSM은 시스템의 가장 근본적인 안전을 보장하는 핵심 계층이다. 이륙, 비행, 비상 착륙 등 상호 배타적인 핵심 시스템 상태를 명확하게 관리하며 8, 배터리 부족이나 통신 두절과 같은 치명적인 이벤트 발생 시 다른 모든 계층의 동작을 즉시 중단시키고 안전 상태로 전환하는 최종 안전장치(fail-safe) 역할을 수행한다.9
이 세 계층은 공유된 ‘월드 모델(World Model)’ 또는 ‘블랙보드(Blackboard)’를 통해 데이터를 교환하며, 명확하게 정의된 제어 흐름과 동기화 메커니즘을 통해 통합된다. HTN이 ‘무엇을(what)’과 ‘왜(why)’를 결정하면, BT는 ‘어떻게(how)’를 유연하게 실행하고, iFSM은 ‘반드시(must)’와 ‘절대 안 되는(must not)’ 안전 규칙을 강제한다. 이러한 구조는 전술적 교란, 전략적 계획 실패, 시스템적 결함에 대해 각기 다른 수준에서 대응하는 ‘심층 방어(defense-in-depth)’ 제어 체계를 구축한다.
본 분석은 제안된 하이브리드 아키텍처가 종단 간(end-to-end) 딥러닝과 같은 최신 접근법과 비교했을 때, 해석 가능성, 검증 용이성, 모듈성 측면에서 현저한 이점을 제공하며, 특히 안전이 최우선인 실제 임무 환경에 더 실용적인 경로임을 제시한다. 미래에는 이 구조적 프레임워크 내부에 다중 에이전트 강화 학습(MARL)과 같은 학습 기법을 통합하여, 시스템의 성능과 적응성을 더욱 향상시키는 ‘공생적 하이브리드(symbiotic hybrid)’ 모델로 발전할 것으로 전망된다.
| 구분 | 전략적 심의 계층 | 전술적 실행 계층 | 핵심 안전 및 상태 계층 |
|---|---|---|---|
| 계층 | 전략적 심의 | 전술적 실행 | 핵심 안전 및 상태 |
| 기술 | 계층적 임무 네트워크 (HTN) | 행동 트리 (BT) | 지능형 유한 상태 머신 (iFSM) |
| 주요 기능 | 임무 계획 및 분해 | 반응적 과업 실행 | 시스템 상태 및 안전 관리 |
| 세분성 | 추상적, 상위 임무 목표 (예: “A 구역 정찰”) | 구체적, 단기 행동 (예: “경유지로 비행”, “장애물 확인”) | 근본적 시스템 모드 (예: “정상 비행”, “비상 착륙”, “저전력”) |
| 핵심 강점 | 복잡한 계획에 대한 표현력 | 모듈성 및 반응성 | 예측 가능성 및 강건성 |
| 하이브리드 시스템 내 역할 | 임무의 ‘무엇을’과 ‘왜’를 생성 | ‘어떻게’를 유연하게 실행 | ‘반드시’와 ‘절대 안 되는’ 안전 제약 강제 |
자율 드론 시스템의 성공적인 임무 수행은 명확하고 실행 가능한 계획에서 시작된다. 전략적 심의 계층은 임무의 전체적인 청사진을 그리는 역할을 담당하며, 이를 위해 계층적 임무 네트워크(HTN)가 핵심적인 기술로 채택된다. HTN은 복잡한 문제를 더 작고 관리 가능한 부분으로 나누어 해결하는 인간의 사고방식을 모방하여, 높은 수준의 자율성과 지능적인 계획 수립 능력을 시스템에 부여한다.
HTN 계획은 인공지능(AI) 분야에서 복잡한 계획 문제를 해결하기 위해 사용되는 강력한 패러다임으로, 높은 수준의 추상적인 과업(abstract tasks)을 시스템이 직접 실행할 수 있는 더 작고 구체적인 기본 과업(primitive tasks)들로 계층적으로 분해하는 방식으로 작동한다.1
HTN의 핵심 구성 요소는 ‘과업(tasks)’과 ‘방법(methods)’이다. 과업은 추가적인 분해가 필요한 ‘추상 과업’(예: “정찰 임무 수행”)과 직접적인 행동으로 이어지는 ‘기본 과업’(예: “경유지_1로 이동”)으로 나뉜다. ‘방법’은 하나의 추상 과업을 여러 하위 과업들의 순차적인 집합으로 분해하는 ‘레시피’ 또는 절차를 정의한다.1 예를 들어, “패키지 배송”이라는 추상 과업은 “패키지 픽업”, “목적지로 이동”, “패키지 전달”이라는 하위 과업들로 분해될 수 있으며, 각 하위 과업은 또 다른 방법들을 통해 더 구체적인 기본 과업들로 세분화될 수 있다.
HTN 플래너의 계획 수립 과정은 다음과 같다. 먼저, 달성해야 할 최상위 목표 또는 추상 과업 집합 $G = {g_1, g_2, \dots, g_k}$가 주어진다.1 플래너는 정의된 방법들을 재귀적으로 적용하여 이 추상 과업들을 하위 과업들로 계속해서 분해한다. 이 과정에서 각 과업에 연관된 선행 조건(preconditions)과 제약 조건(constraints)을 지속적으로 확인하여 계획의 유효성을 보장한다.1 모든 과업이 더 이상 분해할 수 없는 기본 과업들로 환원되면, 플래너는 이 기본 과업들의 순서화된 시퀀스, 즉 최종 계획 $P=⟨o_1,o_2,…,o_m⟩$을 생성한다.1
이러한 계층적 구조는 로봇 공학에서 흔히 발생하는 방대한 상태 공간(state space)에서의 계획 수립 복잡성을 효과적으로 관리하고, 계획 과정을 훨씬 효율적으로 만들어준다.1
HTN의 계층적 특성은 단일 에이전트를 넘어 여러 자율 에이전트로 구성된 팀의 협력적 행동을 조율하는 데 매우 효과적이다.13 이는 복잡한 다중 드론 임무 관리에 이상적인 프레임워크를 제공한다.
예를 들어, “200대의 UAV로 100개의 목표물 요격”과 같은 대규모 임무는 중앙 집중식으로 해결하기에는 계산 복잡성이 매우 높다. HTN을 사용하면 이 대규모 문제를 특징 유사도나 요격 우위에 기반한 클러스터링 방법을 통해 더 작은 하위 문제들로 분해할 수 있으며, 이를 통해 계산 시간을 획기적으로 줄일 수 있다.3
더 나아가, HTN은 정교한 다중 에이전트 전략을 구현하는 데 사용될 수 있다. “리더-팔로워(leader-follower)” 모델이 대표적인 예로, 리더 드론은 전체적인 전략 수립 및 관리를 담당하고, 팔로워 드론들은 리더의 지시에 따라 구체적인 하위 과업을 수행한다.2 이는 HTN의 과업 분해 능력을 에이전트의 역할 분담에 직접적으로 적용한 사례이다.
과업 할당 문제는 다중 여행자 문제(multi-traveling salesman problem)와 같이 공식화될 수 있는데, 여기서 HTN은 상위 수준의 목표(“어떤 목표들을 방문해야 하는가”)를 정의하고, 다른 최적화 알고리즘(예: 가우시안 유사스펙트럼 방법)이 각 드론에 대한 구체적인 비행 경로와 같은 기본 과업의 비용을 계산하고 할당하는 데 사용될 수 있다.14
현대의 드론 임무는 단순한 과업 분해를 넘어, 시시각각 변하는 실제 환경의 복잡성을 계획에 반영해야 한다. 이를 위해 HTN 기반 시스템은 시간적 및 공간적 종속성을 통합하는 방향으로 발전하고 있다.
시간적 종속성 분석을 위해, 순환 신경망(Recurrent Neural Network, RNN)과 같은 메모리 기반 모델을 활용하여 과거의 이력 데이터를 분석하고 미래의 상태를 예측할 수 있다.15 이는 임무 수행 중 발생할 수 있는 변화를 예측하고 이에 대비하는 계획을 수립하는 데 도움을 준다.
공간적 종속성 모델링을 위해서는 그래프 이론이 효과적으로 사용된다. 드론 군집의 위상(topology)을 그래프로 표현하고, 그래프 컨볼루션 네트워크(Graph Convolutional Network, GCN)와 같은 기술을 사용하여 드론 간의 공간적 관계와 정보 전파를 모델링할 수 있다.15 이를 통해 군집 내의 효율적인 협력과 의사결정이 가능해진다.
또한, 계획 단계에서부터 바람의 변화와 같은 시변(time-varying) 조건의 불확실성을 고려하는 것이 중요하다. 다중 목표 진화 알고리즘(Multi-Objective Evolutionary Algorithm, MOEA)과 같은 기법을 HTN 플래너와 함께 사용하면, 임무 성공률을 극대화하면서도 재계획의 위험을 최소화하는 강건한 최적의 계획(Pareto front)을 도출할 수 있다.16
HTN은 강력한 계획 수립 능력을 제공하지만, 본질적으로 심의적(deliberative) 플래너로서의 한계를 가진다. HTN 플래너는 특정 시점의 초기 세계 상태를 기반으로 전체 계획을 생성한다. 하지만 드론이 활동하는 환경은 매우 동적이며 예측 불가능한 변화가 빈번하게 발생한다. 이러한 환경에서는 초기에 수립된 계획이 순식간에 무효화될 수 있으며, 이는 빈번하고 계산 비용이 많이 드는 재계획(re-planning)을 유발한다.17
또한, HTN이 생성하는 계획은 상징적(symbolic) 수준에 머무르는 경우가 많아, 로봇의 저수준 제어기가 직접 실행하기에는 세분성이 부족하다. 예를 들어, ‘부품 A를 집는다’는 상징적 계획과 로봇 팔이 실제로 부품을 집기 위해 필요한 정밀한 기하학적 궤적(geometric trajectory) 사이에는 상당한 간극이 존재한다.11
이러한 한계는 HTN의 결함이라기보다는, 이 아키텍처에서 HTN의 역할을 명확히 정의하는 근거가 된다. HTN은 실시간 반응 제어기가 아니다. 그 역할은 복잡한 문제를 구조화하고, 장기적으로 논리적이고 전략적으로 타당한 목표 시퀀스를 생성하여, 보다 민첩한 실행 계층에 전달하는 것이다. 이처럼 HTN의 심의적 특성과 한계를 명확히 인지하는 것은, 왜 하이브리드 아키텍처가 필요하며 왜 다음 계층에 반응성이 뛰어난 행동 트리(BT)가 위치해야 하는지에 대한 강력한 설계 논리를 제공한다.
전략적 심의 계층에서 HTN이 임무의 ‘청사진’을 그렸다면, 전술적 실행 계층은 이 청사진을 현실 세계에서 실현하는 역할을 맡는다. 이 계층의 핵심 기술은 행동 트리(Behavior Tree, BT)이다. BT는 비디오 게임 AI에서 시작하여 로봇 공학 분야에서 빠르게 표준으로 자리 잡은 제어 아키텍처로, 특히 복잡하고 동적인 환경에서 반응성과 모듈성을 동시에 확보하는 데 탁월한 능력을 보여준다.
BT의 동작은 ‘틱(tick)’이라는 신호를 기반으로 하는 독특한 실행 모델에 의해 이루어진다. BT는 루트 노드(root)에서 시작하는 방향성 트리(directed tree) 구조를 가지며, 특정 주파수로 루트에서부터 ‘틱’ 신호가 발생하여 트리를 따라 전파된다.6
노드가 틱 신호를 받으면 실행되며, 그 결과로 세 가지 상태 중 하나를 부모 노드에 반환한다: Success(성공), Failure(실패), 또는 Running(실행 중).4 이 반환 상태는 제어 흐름 노드가 다음에 어떤 자식 노드를 실행할지 결정하는 데 사용된다. BT의 강력함은 이 제어 흐름을 정의하는 두 가지 핵심 노드, 즉 Sequence와 Selector에서 나온다.
Success를 반환해야만 자신도 Success를 반환한다. 만약 자식 노드 중 하나라도 Failure를 반환하면 즉시 실행을 멈추고 Failure를 반환하며, 어느 한 자식이 Running 상태이면 자신도 Running 상태를 유지한다.4 이는 “경유지_1로 이동 -> 사진 촬영 -> 경유지_2로 이동”과 같이 정해진 절차를 순서대로 수행하는 계획적 행동을 구현하는 데 이상적이다.Success를 반환하면 즉시 실행을 멈추고 Success를 반환한다. 모든 자식 노드가 Failure를 반환해야만 자신도 Failure를 반환한다.4 이는 우선순위에 따른 반응적 행동을 구현하는 데 매우 유용하다. 예를 들어, “적 공격 시도 (우선순위 1) -> 실패 시, 엄폐 (우선순위 2) -> 그것도 실패 시, 후퇴 (우선순위 3)”와 같은 복잡한 의사결정 구조를 직관적으로 모델링할 수 있다.BT는 전통적인 제어 아키텍처인 유한 상태 머신(FSM)과 비교하여 패러다임의 전환을 제시한다. FSM이 ‘상태(state)’를 중심으로 설계되는 반면, BT는 ‘과업(task)’을 중심으로 설계된다는 근본적인 차이점이 있다.5 이 차이는 모듈성, 재사용성, 확장성 측면에서 BT에 상당한 이점을 제공한다.
이러한 장점들을 고려할 때, 전술적 실행 계층에서 FSM 대신 BT를 선택하는 것은 단순한 기술 선호의 문제가 아니다. 이는 임무의 복잡성이 증가함에 따라 시스템의 유지보수성과 확장성을 확보하기 위한 전략적인 아키텍처 결정이다. 자율 드론의 임무는 계속해서 진화하고 복잡해질 것이므로, 이러한 변화를 유연하게 수용할 수 있는 BT 기반 실행 계층은 시스템의 장기적인 생명주기 관리 측면에서 필수적이다. FSM 기반 실행 계층은 시간이 지남에 따라 기술 부채가 누적되어 미래의 기능 확장에 병목이 될 가능성이 높다.
BT는 HTN 플래너가 생성한 상징적 계획과 드론의 저수준 액추에이터(actuator) 제어 사이의 간극을 메우는 이상적인 가교 역할을 수행한다.17 HTN 계획에서 도출된 ‘정찰 수행’과 같은 기본 과업은, 실제로는 내비게이션, 센서 활성화, 장애물 회피 등 여러 하위 행동으로 구성된 복잡한 BT 하위 트리로 구현될 수 있다.
더 나아가, BT 아키텍처는 행동 노드 내부에 비선형 모델 예측 제어(Non-Linear Model Predictive Control, NMPC)와 같은 정교한 저수준 제어기를 캡슐화할 수 있다. 이 경우, BT는 “X 지점 도달”과 같은 상위 수준의 목표와 제약 조건을 정의하고, 캡슐화된 NMPC 노드는 이를 달성하기 위한 최적의 저수준 제어 명령(예: 각 모터의 RPM)을 실시간으로 생성한다.21 이를 통해 심의적 계획과 연속적인 제어 문제를 명확하게 분리하면서도 유기적으로 통합할 수 있다.
안전이 중요한 드론 시스템에서 제어 로직의 신뢰성은 매우 중요하다. BT의 그래픽적이고 형식적인 구조는 복잡한 FSM보다 시각적으로 직관적이며 디버깅을 용이하게 한다.6
더 중요한 것은, 이러한 형식적 구조가 자동화된 분석 및 검증에 매우 적합하다는 점이다. 시스템이 배포되기 전에, 계획 기법을 응용하여 BT 내에서 데이터 요구사항을 위반하는 실행 경로(즉, 버그)를 찾아내는 카운터-예제(counter-example)를 생성할 수 있다.23 또한, 모든 가능한 입력에 대한 반응이 정의되어 있는지, 또는 특정 목표가 달성되었을 때만 BT가 성공적으로 종료되는지 등을 정적으로 분석할 수 있다.4 이는 안전 필수(safety-critical) 시스템의 신뢰성을 확보하는 데 결정적인 이점을 제공한다.
하이브리드 아키텍처의 가장 깊은 곳에는 시스템의 생존과 안전을 책임지는 핵심 안전 및 상태 계층이 존재한다. 이 계층은 전술적 유연성이나 전략적 복잡성보다는 예측 가능성과 강건성에 초점을 맞추며, 이를 위해 지능형 유한 상태 머신(iFSM)이 사용된다. iFSM은 드론의 근본적인 운영 모드를 관리하고, 어떠한 상황에서도 시스템을 안전한 상태로 유지하는 최종 방어선 역할을 수행한다.
BT가 전술적 실행에 많은 이점을 제공함에도 불구하고, FSM은 시스템의 핵심적이고 상호 배타적인 소수의 상태를 관리하는 데 여전히 매우 효과적이고 적합한 도구이다.8 드론 시스템에서 FSM이 관리하는 대표적인 상태들은 다음과 같다:
초기화(Initial)이륙(Takeoff)비행(Flight)위치 고수(Hold_Position)착륙(Land)비상(Emergency)FSM은 이러한 근본적인 상태들 사이의 전이를 명확하고 모호함 없이 모델링한다. 상태 전이는 “시작 버튼 눌림”, “목표 도달”, “배터리 부족 감지”와 같은 특정 입력이나 이벤트에 의해 트리거된다.8 이 명확성은 복잡한 행동 로직 속에서 시스템의 기본 상태가 항상 예측 가능하게 유지되도록 보장한다.
‘iFSM’의 ‘i(Intelligent)’는 단순하고 결정론적인 FSM을 넘어선 진화를 의미한다. 이는 FSM이 환경 변화에 더 능동적으로 대처할 수 있도록 만드는 다양한 기법들을 포함한다.
탐색 중(Searching), 추적 중(Tracking), 지원 중(Assisting) 등으로 전환될 때, 이 전이 확률은 임무 진행 상황이나 환경적 자극에 따라 시간에 따라 변할 수 있다.25 이는 경직된 규칙으로는 만들기 어려운, 유연하고 창발적인(emergent) 군집 행동을 유도할 수 있다.이 하이브리드 아키텍처에서 iFSM의 가장 중요한 역할은 시스템의 궁극적인 안전 보증인으로 기능하는 것이다. iFSM은 배터리 전압, 통신 상태, 핵심 센서의 건전성과 같은 드론의 가장 중요한 하위 시스템 상태를 지속적으로 감시한다.8
강한 전자기장 간섭, 임계치 이하의 배터리, 통신 두절과 같은 치명적인 이벤트가 감지되면, iFSM은 다른 계층의 결정과 무관하게, 가장 높은 우선순위로 즉시 비상(Emergency) 또는 기지로 복귀(Return_to_Home)와 같은 안전 상태로 강제 전환한다.8
이 계층은 BT 계층에서 이루어지는 전술적 결정보다 상위의 우선순위를 갖는 안전 보장을 제공한다. 예를 들어, 실시간 안전 모니터링 구성 요소가 잠재적 충돌 위험을 감지하면, 이는 인터럽트 신호를 발생시켜 iFSM을 정지(Stop) 또는 위치 고수(Hold) 상태로 전환시키고, BT의 실행을 강제로 중단시킨다.10
iFSM은 소프트웨어 아키텍처의 가장 낮은 수준에 위치하며, 하드웨어 추상화 계층(Hardware Abstraction Layer, HAL) 또는 비행 제어기(Flight Controller, FC)와 직접적으로 상호작용한다.26
iFSM 내의 각 상태는 저수준 비행 제어기의 특정 모드(예: 위치 고수 모드, 자동 착륙 모드)에 직접적으로 매핑된다. iFSM의 역할은 이러한 모드 전환을 안전하고 논리적인 순서에 따라 명령하는 것이다.
이러한 설계는 상위 계층인 BT와 HTN에 ‘계약적 보증(contractual guarantees)’을 제공하는 효과를 낳는다. 즉, 상위 계층들은 iFSM이 시스템의 근본적인 안전 조건을 항상 강제하고 있다는 가정 하에 동작할 수 있다. 만약 모든 드론의 하드웨어 고장 가능성이나 핵심 상태 점검 로직을 BT나 HTN이 직접 처리해야 한다면, 그 로직은 극도로 복잡해지고 검증이 불가능해질 것이다. 하지만 관심사를 분리함으로써, iFSM은 “시스템이 작동하기에 안전한가?”라는 질문을 전담하고, BT는 “지금 당장 최선의 전술적 행동은 무엇인가?”, HTN은 “장기적인 목표는 무엇인가?”라는 각자의 질문에 집중할 수 있다. iFSM이 정상 비행(Normal_Flight) 상태를 보증하는 동안 BT는 자유롭게 복잡한 임무 로직을 수행할 수 있다. 만약 iFSM이 비상(Emergency) 상태로 전환되면, 이 ‘계약’은 파기되고 iFSM이 모든 제어권을 가져간다. 이러한 명확한 역할 분리는 상위 계층의 설계를 단순화하고 전체 시스템을 더욱 강건하고 검증 가능하게 만든다.
성공적인 하이브리드 아키텍처의 핵심은 각기 다른 패러다임으로 설계된 계층들을 어떻게 하나의 일관된 시스템으로 통합하는지에 달려 있다. HTN의 심의적 계획, BT의 반응적 실행, iFSM의 강건한 안전 관리는 명확한 제어 흐름, 원활한 데이터 교환, 그리고 정밀한 동기화 메커니즘을 통해 유기적으로 결합되어야 한다. 이 섹션에서는 세 계층이 상호작용하며 시너지를 창출하는 구체적인 통합 방식을 분석한다.
통합 과정은 HTN 플래너가 상위 목표를 분해하여 기본 과업(primitive tasks)들의 순차적인 계획을 생성하는 것에서 시작된다.1 이 과정은 코드를 직접 생성하는 것이 아니라, HTN 계획의 각 기본 과업이 사전에 정의된, 재사용 가능한 BT 하위 트리에 매핑되는 방식으로 이루어진다.17 실행 계층의 역할은 계획의 각 단계에 해당하는 적절한 BT를 활성화하고 실행하는 것이다.
예를 들어, HTN이 (deliver_package, robot1, loc_A, loc_B)라는 과업을 생성하면, 실행 계층은 robot1에서 DeliverPackage라는 이름의 BT를 활성화하고, loc_A와 loc_B를 런타임 데이터(runtime data) 또는 파라미터로 전달한다.13 이 DeliverPackage BT는 패키지를 집고, loc_A에서 loc_B로 이동하며, 장애물을 회피하고, 최종적으로 패키지를 내려놓는 모든 세부적인 행동들을 포함하는 복잡한 하위 트리일 수 있다.
이 접근 방식은 HTN의 장기적인 전략적 추론 능력과 BT의 반응적 유연성을 결합한다. BT는 HTN 과업의 ‘효과(effects)’를 달성하는 책임을 지며, 실행 시점의 지역적인 환경 변화에 적응한다. 이로 인해 사소한 문제로 전체 전략 계획을 빈번하게 재수립할 필요가 없어지므로 시스템의 효율성이 크게 향상된다.17
iFSM은 BT 실행기와 병렬로 작동하며, 공유된 월드 모델을 통해 시스템의 핵심 활력 징후(vital signs)인 배터리 수준, GPS 신호 강도, 센서 상태 등을 지속적으로 감시한다.8
만약 배터리 전압이 임계치 이하로 떨어지는 것과 같은 치명적인 안전 조건이 충족되면, iFSM은 즉시 기지 복귀 후 착륙(Return_to_Land)과 같은 안전 상태로 전환한다. 이 상태 전환은 BT 전체의 실행을 선점(preempt)하는 가장 높은 우선순위의 인터럽트(interrupt)로 작용한다. BT의 실행은 즉시 중단되거나 취소되며, iFSM의 상태에 정의된 행동(예: 사전에 하드코딩된 간단하고 안전한 착륙 절차)이 시스템의 제어권을 완전히 장악한다.8 이는 전술적 기동보다 시스템의 안전 프로토콜이 항상 궁극적인 권한을 갖도록 보장한다.
세 계층의 효과적인 통합은 모든 계층이 접근할 수 있는 중앙 집중식 데이터 저장소, 즉 ‘월드 모델(World Model)’ 또는 ‘블랙보드(Blackboard)’를 통해 이루어진다.27 이 중앙 저장소는 시스템의 현재 상태에 대한 ‘단일 진실 공급원(single source of truth)’ 역할을 한다.
어떠한 하이브리드 시스템이든 동기화는 가장 큰 기술적 과제 중 하나이다.29 이 아키텍처에서는 시스템 내부의 계층 간 동기화와, 다중 드론 환경에서의 시스템 간 동기화를 모두 고려해야 한다.
계층화된 아키텍처는 오류 처리 및 복구에 있어서도 계층적인 접근을 가능하게 한다.43 이는 시스템의 강건성을 크게 향상시킨다.
비상 착륙이나 낙하산 전개와 같은 최종 안전(fail-safe) 상태를 발동시킨다.8이러한 통합 방식은 본질적으로 ‘심층 방어(defense-in-depth)’ 제어 아키텍처를 구축한다. 사이버 보안에서 여러 계층의 방어막을 구축하여 하나의 방어선이 뚫리더라도 다음 방어선이 공격을 막는 개념과 유사하다. 이 아키텍처에서 BT 계층은 사소한 전술적 교란을 방어하고, HTN 계층은 계획을 무효화하는 더 큰 전략적 변화에 대응하며, iFSM 계층은 치명적인 시스템 수준의 고장으로부터 시스템 전체를 보호한다. 각 계층이 서로 다른 시간 척도와 추상화 수준에서 각기 다른 종류의 문제를 해결함으로써, 시스템은 전략적이면서 동시에 반응적이고, 무엇보다 안전한 특성을 갖게 된다. 이 계층화된 강건성이야말로 이 아키텍처가 가지는 복잡성을 정당화하는 핵심적인 강점이다.
제안된 HTN-BT-iFSM 하이브리드 아키텍처의 가치를 온전히 평가하기 위해서는, 이를 현재 자율 제어 분야의 다른 주요 패러다임과 비교하고, 실제 구현 시 발생할 수 있는 도전 과제들을 분석하며, 미래 기술과의 융합 가능성을 탐색해야 한다. 특히, 최근 급부상하고 있는 종단 간(end-to-end) 딥러닝 접근법과의 비교는 이 아키텍처의 장단점을 명확히 드러낸다.
자율 드론 제어의 또 다른 강력한 패러다임은 종단 간(end-to-end) 심층 강화 학습(Deep Reinforcement Learning, DRL)이다. 이 접근법은 전통적인 모듈식 파이프라인(인식, 계획, 제어)을 단일 심층 신경망으로 통합하여, 센서 입력(예: 카메라 이미지)을 액추에이터 명령(예: 모터 RPM)으로 직접 매핑하는 것을 목표로 한다.48 이 방식은 드론 레이싱과 같이 매우 복잡하고 동적인 과업에서 인간 챔피언을 능가하는 경이로운 성능을 보여주며 그 잠재력을 입증했다.51
하이브리드 아키텍처와 종단 간 DRL은 각각 명확한 장단점을 가지며, 둘 사이의 선택은 중요한 트레이드오프를 수반한다.
이러한 트레이드오프는 다음 표로 요약할 수 있다.
| 평가 기준 | 하이브리드 아키텍처 (HTN-BT-iFSM) | 종단 간 딥러닝 (End-to-End DRL) |
|---|---|---|
| 해석 가능성 및 검증 | 높음 (“화이트 박스” 논리) | 낮음 (“블랙 박스” 신경망) |
| 모듈성 및 유지보수 | 높음 (구성 요소 분리 가능) | 낮음 (모놀리식 모델) |
| 개발 패러다임 | 지식 기반 (도메인 전문가 필요) | 데이터 기반 (방대한 데이터셋 필요) |
| 데이터 요구량 | 상대적으로 낮음 (논리 기반) | 매우 높음 (광범위한 학습 필요) |
| 적응성 및 최적성 | 사전 정의된 논리 내에서 적응, 새로운 해법 발견 어려움 | 매우 높은 적응성, 초인적인 정책 발견 가능 |
| 안전 인증 경로 | 명확함 (구성 요소 검증 가능) | 매우 어려움 (내부 논리 검증 난해) |
결론적으로, 시스템 아키텍트가 “어느 것이 더 나은가?”라는 질문 대신 “우리의 제약 조건과 요구사항(특히 안전성)을 고려할 때, 이 특정 문제에 적합한 도구는 무엇인가?”라는 질문에 답해야 할 때, 이 표는 명확한 의사결정 프레임워크를 제공한다.
하이브리드 아키텍처는 많은 장점에도 불구하고, 실제 구현 과정에서 몇 가지 중요한 도전 과제에 직면한다.
미래의 드론 제어 아키텍처는 하이브리드 모델과 학습 기반 모델 사이의 이분법적인 선택을 넘어서, 두 패러다임의 장점을 모두 취하는 방향으로 나아갈 것이다. 즉, 하이브리드 아키텍처의 구조적 안정성 위에 학습 능력을 통합하는 것이다.
궁극적으로 자율 제어 아키텍처의 미래는 ‘공생적 하이브리드(symbiotic hybrid)’ 모델이 될 가능성이 높다. 이는 HTN-BT-iFSM의 구조적이고 검증 가능한 프레임워크가 시스템의 뼈대를 제공하고, 그 안에서 기계 학습이 각 구성 요소를 최적화하고 환경에 적응시키는 역할을 하는 형태이다. 프레임워크는 학습 과정이 안전한 범위 내에서 이루어지도록 제약하고, 학습 과정은 인간이 수동으로 설계하는 것 이상의 성능으로 프레임워크를 강화한다. 이는 성능과 신뢰성이라는 두 마리 토끼를 모두 잡는 가장 유망한 접근법이다.
본 심층 분석을 통해, HTN-BT-iFSM 3계층 하이브리드 아키텍처가 복잡하고 동적인 임무를 수행하는 자율 드론 시스템을 설계하기 위한 성숙하고 강건하며 원칙에 기반한 접근법임이 확인되었다. 이 아키텍처는 전략 수립, 전술적 실행, 핵심 안전 보장이라는 서로 다른 차원의 문제들을 각기 가장 적합한 기술을 사용하여 해결함으로써, 시스템 전체의 성능과 신뢰성을 극대화한다. 각 계층은 상호 보완적으로 작용하여 ‘심층 방어’ 체계를 구축하며, 이는 시스템이 예측 불가능한 상황에 효과적으로 대처할 수 있도록 한다.
종단 간 딥러닝과 같은 최신 패러다임이 특정 영역에서 놀라운 성능을 보여주고 있지만, 해석 가능성, 검증 용이성, 그리고 안전 인증의 측면에서 여전히 중요한 과제를 안고 있다. 따라서 현재로서는 제안된 하이브리드 모델이 안전하고, 신뢰할 수 있으며, 유지보수 가능한 시스템을 실제 환경에 배포하는 데 있어 더 실용적이고 현실적인 경로를 제공한다.
이러한 분석을 바탕으로, 자율 드론 임무 관리 시스템 개발을 위한 다음과 같은 핵심 권고 사항을 제시한다.
엄격한 검증 및 확인 전략 개발: 하이브리드 아키텍처의 ‘화이트 박스’ 특성을 최대한 활용해야 한다. 각 구성 요소의 논리가 명시적이므로, 형식적 검증(formal verification), 시뮬레이션 기반 테스트, 카운터-예제 생성 등 다양한 기법을 적용하여 시스템의 동작을 사전에 철저히 검증하고 확인하는 프로세스를 수립해야 한다.
| Behaviour Trees for Robot Autonomy | by d*classified - Medium, accessed July 23, 2025, https://medium.com/d-classified/behaviour-trees-for-robot-autonomy-e2aacc6a53a8 |
| HTN Planners and their Applications | Download Table - ResearchGate, accessed July 23, 2025, https://www.researchgate.net/figure/HTN-Planners-and-their-Applications_tbl5_261217494 |
| Time Synchronization in modular collaborative robots | by Víctor Mayoral Vilches - Medium, accessed July 23, 2025, https://medium.com/hackernoon/time-synchronization-in-modular-collaborative-robots-d4c218fcb66d |
| Synchronizing Machine Vision with Precision: IEEE-1588 PTP | Things Embedded USA, accessed July 23, 2025, https://things-embedded.com/us/white-paper/synchronizing-machine-vision-with-precision-ieee-1588-ptp/ |
| Fail-safe mechanisms | Autonomous Vehicle Systems Class Notes - Fiveable, accessed July 23, 2025, https://library.fiveable.me/autonomous-vehicle-systems/unit-9/fail-safe-mechanisms/study-guide/eV3dqapGvuXpi9gu |