예산 친화적 설계 탐색으로 구현하는 저비용 정밀 농업 사이버‑물리 시스템

본 논문은 정밀 농업에서 활용되는 사이버‑물리 시스템(CPS)의 설계 비용이 높은 문제를 해결하고자, 예산·에너지·센싱·페이로드·컴퓨팅·통신 등 다양한 제약을 동시에 고려한 설계 공간 탐색(DSE) 프레임워크를 제안한다. 연구는 크게 네 부분으로 구성된다. 1) **문제 정의 및 동기** 정밀 농업은 작물 생산량 증대와 자원 효율성을 목표로 하지만, 드론·로버 등 복합형 로봇 플랫폼의 초기 투자 비용이 장벽이 된다. 기존 DSE 연구는 주로 단일 목표(예: 비용 최소화 또는 성능 최대화) 혹은 특정 도메인(예: UAV 설계) 에 초점을 맞추었으며, 농업 특유의 ‘작물‑응용’ 매개변수와 예산·면적·페이로드 간의 복합적인 trade‑off를 다루지 못했다. 2) **프레임워크 설계** 사용자는 (i) 전체 예산 B, (ii) 농장 면적 S, (iii) 목표 작물 종류, (iv) 수행하고자 하는 응용 작업을 입력한다. 각 응용 작업은 Table I에 정의된 대로 온보드(실시간 이미지 처리, 자율 주행 등) 혹은 오프보드(클라우드·에지 서버) 처리 모드와 적합한 플랫폼(드론, 로버, 혹은 양쪽)을 지정한다. 하드웨어 구성요소는 차체, 모터, 배터리, 타이어(로버 전용), 센서, 컴퓨팅 유닛(GPU/TPU/CPU) 등으로 정의되며, 각 요소의 무게·전력·가격·페이로드 한계가 사전 데이터베이스에 저장된다. 이들 요소를 조합해 가능한 설계 후보 N개를 생성하고, 다음과 같은 선형 부등식으로 제약을 표현한다. - **예산 제약**: (Cᵢ + extra)·xᵢ + edge cost ≤ B (Eq 2) - **면적 커버리지**: Aᵢ·xᵢ ≥ S (Eq 3) - **커버리지 계산**: Aᵢ = BAT_Tᵢ·Tᵢ·W_component,i·f_weight,i(W_max,i) (Eq 4) - **무게·페이로드 관계**: W_max,i = W_carry,i – W_component,i (Eq 7) 등 비선형 관계는 f_weight,i = 1/(1+W_max,i/100) 등으로 선형 근사한다. 또한, 배터리 최소 1개, 모터‑차체 크기 일치, 드론 최소 비행시간 0.2 h 등 실용적인 제약을 Eq 9‑11에 추가한다. 3) **ILP 최적화 및 SAT 검증** 목표 함수는 비용·면적·페이로드를 정규화한 뒤 가중치 α, β, γ를 적용해 min ∑ᵢ (α·C̃ᵢ + β·Ãᵢ – γ·P̃ᵢ)·xᵢ ( Eq 1) 로 정의한다. 사용자는 ROC 가중치 스키마(III‑A)를 통해 비용‑우선, 면적‑우선, 페이로드‑우선 등 다양한 정책을 선택할 수 있다. ILP 솔버가 도출한 후보 설계 집합에 대해 PySAT을 이용해 “총 비용 ≤ B”와 “총 커버리지 ≥ S”라는 Boolean 제약을 재검증한다( Eq 14). 이는 모델 수정 시 발생할 수 있는 논리 오류를 방지하고, 최종 설계가 실제 제약을 만족함을 보장한다. 4) **평가 및 결과** 두 개의 실제 시나리오를 설정하였다. - **Case Study 1**: 1 acre(≈4047 m²) 농장, 예산 $100 k, 작물 = 나무(사과). 응용은 ‘자율 수확’이며, 로버 중심 설계가 요구된다. - **Case Study 2**: 10 acre(≈40 469 m²) 농장, 예산 $1 M, 작물 = 포도(덩굴). 응용은 ‘일반 모니터링·수량 추정’으로 드론‑로버 혼합이 적합하다. 각 케이스에 대해 제안 방법(PA)과 기존 DSE 기법(시뮬레이티드 어닐링, 베이지안 최적화, 유전 알고리즘, 포트폴리오 최적화, Lengler, PG‑DSE 등)을 비교하였다. 평가 지표는 (i) 총 비용, (ii) 면적 커버리지 비율, (iii) 페이로드 효율, (iv) 탐색 시간이다. 결과 요약: - 제안 방법은 두 케이스 모두 예산 내에서 100 % 면적 커버리지를 달성했으며, 비용 대비 페이로드 효율이 기존 방법보다 평균 18 % 향상되었다. - 탐색 시간은 선형 제약식 덕분에 평균 2.5배 빠르게 수렴했으며, 특히 대규모 케이스에서 30분 내에 최적 후보 10개를 도출했다. - ROC 곡선 시각화를 통해 사용자는 “비용 최소화·면적 보장” 혹은 “페이로드 최대화·예산 약간 초과 허용” 등 전략적 선택이 가능했다. 마지막으로, 설계·구현·데이터·평가 결과를 모두 오픈소스 레포지토리(https://github.com/asu‑kim/cps‑dse‑apa)로 공개하여 재현성을 보장하고, 향후 작물별 성장 모델, 기후 변화 시나리오, 지역 규제 등을 추가로 통합할 수 있는 확장성을 제시한다. **핵심 기여** 1) 정밀 농업에 특화된 다중 제약 ILP 모델을 제시하고, 비선형 관계를 선형 근사·제약식으로 효과적으로 다룸. 2) SAT 기반 사후 검증을 도입해 설계 신뢰성을 강화하고, 사용자 정의 가중치로 다양한 정책을 지원. 3) 실제 농장 규모와 예산을 반영한 두 케이스 실험을 통해 기존 DSE 기법 대비 비용·성능·시간 모두에서 우수함을 입증. 4) 전체 파이프라인과 데이터를 오픈소스로 제공, 학계·산업계의 재현 및 확장을 촉진.