자연어 기반 저고도 UAV 비행을 위한 STL 변환 및 복구 프레임워크

논문은 저고도 무인항공기(UAV)의 자연어(NL) 기반 비행 명령을 안전하고 실행 가능한 궤적으로 변환하기 위한 통합 프레임워크를 제안한다. 서론에서는 저고도 UAV가 복잡한 도시 구조와 동적 장애물, 인간 활동 영역 내에서 작동할 때, NL 명령의 모호성과 언더스펙이 안전·규제 요구와 충돌한다는 문제를 제시한다. 기존 연구는 규칙 기반 키워드 매핑, 딥러닝 기반 정책 학습, 혹은 LLM을 이용한 직접 변환을 시도했지만, 형식적 검증 부재와 불가능한 사양 처리에 한계가 있었다. 본 연구의 핵심 아이디어는 NL‑STL 변환과 STL‑MILP 기반 궤적 합성을 폐쇄 루프 형태로 결합하고, 불가능성 발생 시 의미 기반 사양 복구를 수행하는 것이다. 이를 위해 저자들은 크게 네 개의 모듈을 설계한다. 첫 번째는 ‘LLM‑Enhanced Translator’로, 대규모 언어 모델에 체인‑오브‑생각(CoT) 데이터를 사전 학습하고, 그룹‑상대 정책 최적화(GRPO)라는 강화학습 기법을 적용해 모델이 논리적 일관성과 구문적 정확성을 동시에 학습한다. 이 과정에서 NL을 단계별 논리 흐름으로 분해하고, 각 단계에 대응하는 STL 원자(predicate)와 시간 연산자를 생성한다. 두 번째는 ‘STL Formalizer’로, 생성된 STL을 정규화하고, UAV 동역학(이산 시간 선형 모델)과 환경 제약(장애물, 비행 금지 구역)을 고려한 MILP 형태로 인코딩한다. 세 번째는 ‘MILP Planner’로, STL의 강건성(robustness) 함수를 목표 함수에 포함시켜 최적 궤적을 도출한다. 여기서 불가능성이 감지되면, MILP 솔버는 충돌하는 제약 집합(불가능한 서브시스템, IIS)과 해당 시간·공간 슬랙 정보를 반환한다. 네 번째는 ‘Specification Repair’ 모듈이다. 진단 정보를 LLM에 전달하면, LLM은 자연어 수준의 의미 추론을 통해 “시간 여유는 협상 가능”, “특정 지역 접근은 필수” 등 사용자 의도와 안전 우선순위를 판단하고, 어떤 제약을 완화할지 결정한다. 이후 완화된 STL을 다시 MILP에 투입해 재계획한다. 이 과정은 안전에 필수적인 제약(충돌 회피, 고도 제한)은 절대 완화하지 않으며, 최소한의 비용으로 사양을 수정한다. 실험에서는 시뮬레이션 환경과 실제 실외 비행 테스트 두 가지를 수행했다. 시뮬레이션에서는 30개의 복합 NL 시나리오(다중 목표, 시간 순서, 공간 관계 포함)를 사용해 기존 LLM‑기반 변환 대비 18% 높은 정확도와, 25% 이상의 불가능성 복구 성공률을 기록했다. 실제 비행에서는 경량화된 LoRA‑adapted LLM을 온보드 컴퓨팅 보드에 탑재해 실시간 번역·계획·복구가 가능함을 입증했다. 특히, “건물 A 주변을 10초 안에 돌고, 그 후에 지정 구역 B에 5초 머무라”와 같은 복합 명령에서도 안전 제약을 위반하지 않으면서 목표를 달성했다. 결론에서는 제안된 프레임워크가 NL‑STL 변환의 신뢰성, STL‑MILP 계획의 실행 가능성, 그리고 의미 기반 사양 복구라는 세 축을 모두 만족시켜 저고도 UAV의 안전·유연·해석 가능성을 크게 향상시킨다고 강조한다. 향후 연구로는 다중 UAV 협업, 비정형 환경(날씨·풍동) 고려, 그리고 LLM의 지속적 온라인 학습을 통한 적응형 사양 생성 등을 제시한다.