석유시설 감시를 위한 인간 로봇 공동 배치 최적화

초록

본 논문은 석유·가스 인프라의 계층적 중요도와 인간‑로봇 감독 비율을 고려한 새로운 시설 위치 모델(HRCD‑FLP)을 제시한다. 고정·운영 비용 최소화를 목표로, 시설 레벨 선택, 수요‑시설 할당, 로봇·인간 자원 배치를 동시에 결정한다. 1:3, 1:5, 1:10 감독 비율 시나리오를 실험한 결과, 자율성 수준이 높아질수록 비용이 크게 절감되면서도 모든 중요 설비에 대한 완전 커버리지를 유지한다. 소규모 인스턴스에서는 정확 해법이 빠르게 수렴하고, 대규모에서는 제안한 휴리스틱이 3분 이내에 약 14%의 최적성 차이로 실용적인 해를 제공한다.

상세 분석

HRCD‑FLP는 전통적인 용량제한 시설 위치 문제(CFLP)를 세 차원으로 확장한다. 첫째, 시설 레벨(Low, Medium, High)을 이산 변수로 도입해 건설·운영 비용과 처리 능력을 차등화한다. 둘째, 로봇과 인간이라는 이질적인 자원을 각각 SCU(감시 커버리지 단위) 기준으로 모델링하고, 로봇은 인간 대비 3~5배의 효율을 갖지만 반드시 인간 감독 비율(α) 이하로 배치되어야 한다는 제약을 추가한다. 셋째, 각 수요 지점(j)은 중요도 티어에 따라 SLA(응답 시간)와 인간‑로봇 혼합 비율(α_j)이 정의되며, 이는 할당 변수(y_ij)와 연계돼 서비스 수준을 보장한다.

수학적 모델은 이진 변수 x_il(시설 레벨 선택), y_ij(수요‑시설 할당), 정수 변수 z_ik(자원 배치)로 구성되며, 목적식은 고정 비용 ΣF_il x_il와 가변 비용 ΣC_ik z_ik의 합을 최소화한다. 주요 제약식은 다음과 같다. (1) 각 후보지에 하나의 레벨만 선택, (2) 모든 수요는 최소 하나의 시설에 할당, (3) 할당은 활성 시설에만 허용, (4) 응답 시간 t_ijl이 SLA S_j를 초과하지 않도록 빅‑M 방식 적용, (5) 레벨별 자원 상·하한(MINCAP, MAXCAP) 준수, (6) 로봇·인간 배치는 수요의 SCU와 α_j에 따라 비례적으로 충족, (7) 전역 감독 비율 α·z_Robot ≤ z_Human을 통해 인간‑로봇 비율을 강제한다.

알고리즘 측면에서 저자는 MILP를 직접 풀 수 없는 대규모 사례에 대해 2‑단계 휴리스틱을 제안한다. 첫 단계는 시설 레벨과 할당을 라그랑주 이완 기반의 탐욕적 선택으로 빠르게 생성하고, 두 번째 단계는 자원 배치를 선형 프로그램으로 최적화한다. 실험 결과, 50~200개의 수요 지점을 가진 인스턴스에서 휴리스틱은 평균 2.8분 내에 14% 이하의 최적성 갭을 보였으며, 작은 인스턴스(≤30)에서는 CPLEX 등 상용 MILP 솔버가 0.1초 수준의 시간에 최적해를 도출했다.

시나리오 분석에서는 감독 비율을 1:3(보수적), 1:5(중간), 1:10(고자율)으로 변환했을 때, 총 비용이 각각 1.00, 0.78, 0.62 수준으로 감소한다. 특히 고자율 시나리오에서도 Tier‑1 정유공장과 같은 고위험 설비는 응답 시간 제한을 만족하도록 고레벨 시설이 자동으로 선택돼, 서비스 품질 저하 없이 비용 절감이 가능함을 확인했다.

이 논문은 인간‑로봇 팀이 요구되는 보안 분야에서 시설 위치 모델을 처음으로 통합한 점, 그리고 정책적 감독 비율을 변수화해 기술 성숙도와 비용 효율성을 정량적으로 연결한 점에서 학술적·실무적 의의가 크다. 다만, 로봇 고장·보수, 인간 작업자 피로도, 동적 위협 변동 등 실시간 운영 요소는 정적 모델에 포함되지 않아 향후 연구가 필요하다.