해양 자율운항체계(Marine Autonomous Vehicles, MAV)는 미래 해양 연구 인프라의 핵심 요소다. 2040년까지 넷제로를 달성한다는 UKRI 환경 지속가능성 전략에 힘입어, 이들 운항체계는 기존 연구선보다 탄소 효율이 크게 높아 데이터 수집에서 점점 더 중요한 역할을 맡고 있다. 이에 따라 FMRI 프로그램은 국가 자율운항체계 함대를 대폭 확대하고 있다. 그러나 투입되는 MAV의 수가 늘어날수록 임무를 수작업으로 계획하는 일은 기하급수적으로 복잡해진다. 첨단 자동 의사결정 지원 도구를 도입하지 않고서는 이러한 계획 수립을 효과적으로 확장하기 어렵다.
혼합정수선형계획법(mixed integer linear programming, MILP) 모델은 대규모 MAV 함대의 항로와 투입 계획을 최적화한다. 이 모델은 자산별·환경별 운영 제약을 폭넓게 반영해 생성되는 모든 해가 실제 운용 가능한지 보장하며, 총 과학 데이터 수집량을 최대화하는 것을 핵심 목표로 삼는다. 또한 기존 선박 운항 일정을 통합해, 기존 선박을 MAV 배터리 교체 지점이나 운송 경로로 활용할 수 있게 한다.
이 프레임워크는 시뮬레이션 도구로도 활용할 수 있다. 연구자들은 실제 투입에 앞서 배터리 용량을 달리하거나 투입 기간을 연장하는 등 다양한 ‘가정적 상황’을 검토할 수 있다. 복잡한 계획을 더 쉽게 설명할 수 있도록, 모델 해에서 도출한 텍스트와 시각 자료는 전체 투입 전략에서 가장 중요한 요소를 부각한다.
MAV 경로 및 임무 계획
경로 계획은 MAV 운용의 기본이며, 초기 연구에서는 수중 환경을 위한 항로 계획 기법이 정립됐다. 최근에는 샘플링 기반, 최적화 기반, 생체모방 기반, 기하학적 모델 탐색 알고리즘 등 더욱 복잡한 상황을 다루는 접근법이 개발되고 있다.
MAV 임무 계획에는 상위 수준의 임무 할당과 하위 수준의 경로 계획이 모두 포함되며, 역동적인 해양 환경에서는 특히 어려운 과제가 된다. 의사결정 지원 시스템은 MAV 운용의 불확실성에 대응하기 위해 다기준 분석과 퍼지 집합을 결합해 왔다. 해류 환경에서 임무 할당과 경로 계획을 통합하는 알고리즘도 제안됐다. 또한 진화 알고리즘은 관측 지점 선정과 경로 최적화로 문제를 분해함으로써 임무 계획에 유용한 가능성을 보여 왔다.
MAV 함대 협업 운용
기존 연구 문헌은 MAV 투입을 더 넓은 해상 물류 네트워크의 통합 요소라기보다 규모가 작고 서로 독립적인 과학 활동으로 다뤄 왔다. 그 결과 중요한 연구 공백이 남아 있다. 기존 자율운항 협업 모델은 거의 예외 없이 MAV가 기존 해양 인프라와 독립적으로 운용된다고 가정한다.
이러한 모델은 임무 중간의 배터리 교체나 지원을 받는 운송과 같은 선박 지원을 거의 고려하지 않는다. 이는 미시적 수준의 로봇 경로 계획과 거시적 규모의 해상 물류 사이에 존재해 온 전통적인 분절에서 비롯된다.
이 MILP 모델은 두 분야를 연결해 이러한 실제 운용 조건을 반영하고, 현대 해양 연구에 필요한 물류 요건을 다룬다.
에너지 제약과 함대 확장성
배터리 관리는 MAV를 장기간 운용하는 데 가장 큰 제약 요인이다. 선행 연구에서는 운용 시간에 필요한 에너지를 추정하고 고정식 충전소와의 랑데부 전략을 최적화했다. 또 다른 연구들은 도킹 운용을 통해 배터리 및 에너지 관리의 중요성을 입증했으며, 유체역학적 효과를 고려하면서 임무 시간과 에너지 소비를 동시에 최소화하는 실시간 궤적 최적화 기법을 개발했다.
진화 알고리즘과 입자 군집 기법은 에너지를 고려한 임무 할당을 처리할 수 있지만, 최적성에 대한 MILP의 엄밀한 수학적 보장을 제공하지 못한다. 또한 기존 연구는 연속적인 자율운항과 이산적인 해상 선박 일정을 결합할 때 발생하는 지수적 계산 복잡성 때문에 선박과 MAV의 경로를 함께 다루는 정확한 MILP 정식을 대부분 피했다.
차세대 대규모 해양 연구 인프라를 위해 이 모델은 실제 투입 제약을 반영하면서 확장 가능한 해법을 제공한다. 이론적 다중 에이전트 경로 계획과 실제 해상 물류 사이의 간극을 메우며, 이동 중인 지원 선박을 명시적으로 포함한 채 수백 대의 MAV에 대해 엄격한 운용 가능성을 보장한다.
임무 요구사항
문제에는 TR로 표시되는 임무 요구사항 집합이 있다. 각각의 임무는 해당 임무를 수행할 수 있는 MAV 유형 vt와 연구 정거장 rs를 연결한다. 이러한 요구사항은 다음 특성으로 정의된다.
- 임무의 earliest start time.
- 임무를 완료할 수 있는 latest time.
선박 통합
모델에는 sh로 표시되는 기존 선박 운항 일정을 포함할 수 있다. 운항 일정은 여러 계류 지점 또는 정박 위치로 구성되며, 각 위치에는 선박의 도착 및 출발 시간대가 지정된다.
각 MAV는 웨이포인트를 통해 다음과 같은 상황에서 선박에 배정될 수 있다.
- 완전히 충전된 배터리를 받는 경우: 새 배터리를 사용하면 남은 과학 임무의 커버리지가 향상될 때 해당된다. 선박에 머무르는 최소 시간은 모델이 정한다.
- 선박을 운송 수단으로 이용하는 경우: 선박은 까다로운 환경에서 일반적으로 더 빠르고 안전하다. 제안된 경로로는 지정된 시간대 안에 목적지에 도착할 수 없거나 배터리 자원 제약이 발생할 때, MAV는 선박을 통해 목적지까지 이동할 수 있다.
표기법 요약
수학적 표기법은 개념적 문제 정식을 혼합정수선형계획 모델로 전환한다. 이 참조 체계는 세 가지 주요 모듈로 구성된다.
AUV
MV: 모든 유형의 가용 MAV 전체 집합.- 유형
vt에 속하는 MAV 집합. mv:MV에 속하는 개별 MAV.
시간대
- 정의된 시작 시각에 시작해 정의된 종료 시각에 끝나는 하나의 시간대.
위치
RS: 모든 연구 정거장의 집합.- 유형
vt의 MAV를 배정할 수 있는 연구 정거장 집합. BS:MV의 투입을 위한 모든 항구의 집합.mv의 투입 항구.PL:MV의 철수를 위한 모든 항구의 집합.mv의 철수 항구.- 특정 시간대에 해당하는 선박 위치.
- 각 시간대의 선박 위치 집합.
경로
RT: MAV 이동에 이용 가능한 모든 경로의 집합.- 선박이 경로의 양 끝점 중 하나인 선박 경로 집합.
TR: 완료해야 하는 모든 임무 요구사항의 집합.- 연구 정거장
rs에서 유형vt의 MAV가 완료해야 하는 임무 요구사항 집합. rs에서 유형vt를 요구하는 하나의 임무.- 임무 요구사항의 가중치.
모델 입력 매개변수
- 유형
vt의 MAV가 가동 중일 때 단위 시간당 평균 배터리 소모량. - 유형
vt의 MAV가 유휴 상태일 때 단위 시간당 평균 배터리 소모량. - 유형
vt의 각 MAV에 대한 배터리 잔량 임계값.
사례 연구 및 결과
네 가지 사례 연구는 혼합정수계획 및 혼합정수비선형계획을 위한 비상업용 솔버인 SCIP를 사용해 해결했다.
입력과 출력
사례 연구는 Marine Facilities Planning 플랫폼에서 가져온 실제 과학 임무를 바탕으로 구성됐다. 이 플랫폼은 Ship Time and Marine Equipment 신청 기록과 Autonomous Deployment 양식을 제공하며, 이 자료가 사례 연구의 기반이 됐다.
임무 요구사항
Autonomous Deployment 양식에는 임무 요구사항, 투입 및 철수 항구의 위치, 픽업 위치 또는 랑데부 지점, 연구 정거장이 포함된다. 양식에는 MAV 유형, 필요한 운항체계 수, 계획된 투입 및 회수 날짜도 명시돼 있다.
선박 운항 일정
Ship Time and Marine Equipment 신청 자료를 이용해 임무 요구사항에 맞는 선박 운항 일정을 구성하고, 추가 임무 요구사항을 수행할 MAV를 선박에 배정할 수 있도록 한다. 모델에는 선박 한 척만 포함되므로, 이 사례들은 Royal Research Ship Sir David Attenborough가 수행한 신청 사례에 초점을 맞춘다.
AUV와 유형
이 모델은 Slocum Glider와 Autosub Long Range 1500 (ALR1500) MAV로 구성된 함대의 운용 및 투입을 고려한다. 두 운항체계는 해당 기관과 협력 기관에서 관련 특성 데이터를 확보할 수 있어, 경로 비용을 더 정확하게 추정할 수 있기 때문에 선정됐다.
MAV 유형은 Slocum Glider 또는 ALR1500에 서로 다른 센서 구성을 조합한 것으로 정의한다.
경로 비용
Autonomous Deployment 양식에는 각 사례 연구를 해결하는 데 필요한 위치가 포함돼 있지만, 출발지와 목적지 사이의 경로 비용은 포함돼 있지 않다. AI와 데이터를 기반으로 한 해상 경로 계획 소프트웨어 PolarRoute를 사용해 선박 경로를 포함한 전체 경로 집합의 이동 시간과 배터리 소비량을 산출한다.
일부 사례 연구에서는 Slocum Glider와 ALR1500의 비용뿐 아니라 선박 운항 일정을 생성하는 비용도 산출한다.
논의 및 결론
MAV 함대를 활용한 해양 과학 임무 계획을 위해 MILP 모델을 개발했다. 수작업 계획 수립의 비용과 복잡성이 커지는 상황에서, 이 모델은 해양 운용팀이 복잡한 계획을 생성할 수 있도록 지원하는 의사결정 도구로 활용될 전망이다.
이 모델은 함대와 배터리 사용을 최적화하면서 수행 가능한 과학 임무 수를 최대화한다. 선박 자원 제약은 고려하지 않지만, 선박을 이용하는 것이 과학 임무 커버리지를 높일 때만 각 MAV를 선박에 배정할 수 있다.
기존 해양 과학 임무를 바탕으로 구성한 세 가지 사례 연구를 해결했다. 각 사례는 위치, 과학적 요구사항, 선박 통합 여부 또는 함대 규모가 서로 다르다. 이러한 다양성은 모델이 표현하는 여러 제약을 식별하고 부각하는 데 도움이 된다.
종합하면, 모델과 사례 연구는 MILP 기반 계획이 수작업으로 작성하기에는 비용이 많이 드는 복잡한 다중 운항체계 해양 과학 계획을 생성하면서도, 실제 해양 운용의 다양한 제약과 우선순위를 충분히 반영할 수 있을 만큼 유연하다는 점을 보여 준다.
더 풍부한 자원 및 다중 선박 모델링, 예측에 기반한 동적 재계획, 불확실성을 고려한 재계획을 포함한 제안된 확장 기능은 계획 단계뿐 아니라 실행 중인 해양 과학 임무까지 지원할 수 있는 의사결정 도구로 나아가는 경로를 제시한다.
집필 과정에서의 AI 지원 도구 사용 선언
이 논문을 집필하는 동안 저자들은 문법 검사와 언어 편집을 위해 Grammarly를 사용했다. 저자들은 이 도구가 제안한 수정 사항을 직접 검토했으며, 출판물의 내용에 대한 모든 책임을 진다.
자주 묻는 질문
MAV 함대 운용 일정 수립 모델의 주된 목표는 무엇인가? 주된 목표는 수행 가능한 과학 임무 수를 늘려 총 과학 데이터 수집량을 최대화하는 것이다.
MAV 운용에서 배터리 관리가 중요한 이유는 무엇인가? 배터리 관리는 MAV를 지속적으로 운용하는 데 가장 큰 제약 요인이며, 경로 설정과 임무 완료, 선박 지원을 통한 배터리 교체 필요성에 영향을 미친다.
선박은 해양 자율운항체계를 어떻게 지원할 수 있는가? 선박은 완전히 충전된 배터리를 제공하거나, MAV가 까다로운 환경을 통과해 필요한 시간대 안에 목적지에 도착하도록 지원할 수 있다.
사례 연구에서 고려한 MAV 유형은 무엇인가? 이 모델은 서로 다른 센서 구성을 갖춘 Slocum Glider와 Autosub Long Range 1500 MAV를 고려한다.