예측‑실행 통합 UAV 배치로 해양 부표 회수 효율 극대화

초록

본 논문은 대형 언어 모델(Chronos)을 이용해 해양 부표의 이동 경로를 예측하고, 예측 결과의 불확실성을 가우시안 입자 샘플링으로 모델링한다. 이후 시뮬레이티드 어닐링, 입자 군집 최적화, 유전 알고리즘 등 메타휴리스틱을 활용해 UAV의 최적 배치를 찾아 동적 탐지 반경을 적용한다. 한국 해안 실제 데이터를 통해 제안 방법이 무작위 탐색 대비 탐지 성공률과 커버리지를 크게 향상시킴을 입증한다.

상세 분석

이 연구는 ‘predict‑then‑optimize’ 패러다임을 해양 구조 작업에 최초로 적용한 점이 가장 큰 혁신이다. 먼저 Chronos라는 사전학습된 시계열‑언어 모델을 이용해 부표의 과거 좌표 시퀀스를 입력으로 미래 위치를 1‑step씩 순차 예측한다. 단일 단계 예측 오류가 누적될 위험을 완화하기 위해, 예측 중심에 평균을 두고 공분산을 이전 시점 예측 오차의 4배로 설정한 2차원 가우시안 분포에서 k개의 입자를 샘플링한다. 이는 실제 해양 환경에서 발생할 수 있는 위치 불확실성을 정량화하고, 최적화 단계에서 탐색 공간을 현실적으로 확장한다는 장점을 제공한다.

탐색 영역 A_u는 예측 중심을 기준으로 반경 R을 설정하는데, R은 직전 단계 예측 오차의 4배로 정의한다. 이는 보수적인 불확실성 보정으로, 실제 부표가 해당 영역 밖에 존재할 확률을 최소화한다. UAV의 탐지 반경은 거리‑의존적인 동적 모델로 구현된다. 중심에 가까울수록 600 m, 가장 먼 지점에서는 200 m까지 선형 감소하도록 설계했으며, 이는 UAV가 이동에 소요되는 시간에 따라 남은 탐색 시간이 감소하는 현실적인 제약을 반영한다.

목표 함수는 가우시안 입자들이 형성한 직선 경로와 UAV 탐지 원이 교차하는 횟수를 최대화하는 형태이며, 계산 효율성을 위해 초기 최적화에서는 단순히 커버리지를 사용하고, 최종 평가에서는 확률적 탐지 모델 P_oD = 1‑e^{‑c} (c는 탐지 반경 대비 최대 반경 비율)로 전환한다.

세 가지 메타휴리스틱—유전 알고리즘(GA), 입자 군집 최적화(PSO), 시뮬레이티드 어닐링(SA)—을 동시에 적용하고, 각 알고리즘에 특화된 ‘repair mechanism’를 도입했다. 이 메커니즘은 UAV 간 중복 탐지 영역을 최소화하고, 비행 거리·시간 제한을 만족하도록 해 솔루션의 실현 가능성을 보장한다. GA에서는 BLX‑α 교차와 무작위 변이를, PSO에서는 개인·전체 최적 위치를 반영한 속도·위치 업데이트를, SA에서는 온도 감소 스케줄에 따라 이웃 해를 탐색한다. 모든 알고리즘에서 repair 단계가 포함돼 제약 위반을 즉시 수정함으로써 수렴 속도와 해의 품질을 동시에 향상시켰다.

실험은 한국 서해안·동해안의 실제 부표 사고 데이터를 사용했으며, 무작위 배치(Random Search)와 비교했을 때 평균 탐지 성공률이 27 %p 상승하고, 평균 탐지 거리 오차가 35 % 감소하는 결과를 얻었다. 특히 GA‑repair 조합이 가장 높은 성능을 보였으며, PSO와 SA도 각각 12 %·9 % 정도의 개선을 기록했다. 이는 제안 프레임워크가 실시간 구조 상황에서 빠른 의사결정과 높은 성공 확률을 동시에 제공할 수 있음을 시사한다.

전반적으로 이 논문은 (1) LLM 기반 시계열 예측을 구조 작업에 적용, (2) 불확실성 모델링을 가우시안 입자 샘플링으로 구현, (3) 동적 탐지 반경과 메타휴리스틱‑repair 결합을 통한 실용적 최적화, (4) 실제 해양 데이터 기반 정량적 검증이라는 네 가지 핵심 기여를 제공한다.