AI 에이전트/AI가 작성한 심층리포트

AI 파일럿 기술 분석

깊은대학 2025. 6. 29. 17:32

I. 서론

A. AI 파일럿 기술의 부상 및 중요성

21세기 항공 시스템은 서비스 수준을 높이는 동시에 세계에서 가장 안전하고 효율적인 시스템을 유지해야 하는 중대한 과제에 직면해 있다.1 이러한 목표를 달성하는 데 있어 인공지능(AI)은 오프라인 애플리케이션부터 프로세스 제어, 항공기 온보드 자율성에 이르기까지 항공 분야에서 상당한 관심을 받는 핵심 기술로 부상했다.1 AI 파일럿 기술은 유인 항공기와 무인 항공기의 통합 운영, 즉 유무인 복합 운용(MUM-T) 및 무인기 편대 운용(UAV Swarm)과 같은 복잡한 시나리오에서 그 잠재력을 발휘하며, 항공 산업 전반에 걸쳐 안전성을 강화하고, 비용을 절감하며, 의사결정 과정을 개선할 기회를 제공한다.2

 

B. 보고서의 목적 및 범위

본 보고서는 AI 파일럿 기술의 핵심 개념과 자율 항공 시스템 내에서의 역할을 심층적으로 분석하는 것을 목적으로 한다. 특히, 유무인 복합 운용 및 무인기 편대 운용과 같은 첨단 응용 분야에서의 기술적 메커니즘을 강조하여 설명한다. 또한, AI 파일럿 기술을 가능하게 하는 인공지능 및 머신러닝 알고리즘, 인지 및 내비게이션 시스템, 데이터 융합 및 처리 아키텍처 등 핵심 기술 요소를 면밀히 검토할 것이다. 마지막으로, 이 기술이 직면한 현재의 도전 과제와 미래의 발전 방향을 제시함으로써, AI 파일럿 기술의 현재와 미래에 대한 포괄적인 이해를 돕고자 한다. 본 보고서는 기술적인 측면을 강조하여 심층적인 분석을 제공할 것이다.

 

 

 

II. AI 파일럿 및 자율 항공 시스템의 개념 정의

A. AI 파일럿의 본질: 도구인가, 대체자인가?

AI 파일럿 기술은 항공 분야에서 인간 조종사의 역할을 보완하고 궁극적으로는 대체할 수 있는 잠재력을 가진 AI 기반 시스템을 지칭한다. AI는 인간이 정의한 목표에 따라 추정, 예측, 권고 또는 의사결정을 내릴 수 있는 기계 기반 시스템으로 정의된다.1 항공 분야에서 AI는 조종사를 완전히 대체하기보다는 비행 안전을 개선하는 데 중점을 두고 개발된다.3 이는 AI를 인간이 아닌 '도구'로 취급하고, 책임 할당을 명확히 하여 AI의 역할과 한계를 명확히 이해하는 것이 중요함을 의미한다.1

 

AI는 방대한 데이터를 처리하고, 비행 경로를 최적화하며, 시스템을 모니터링하고, 일상적인 문제에 대한 대응책을 제안하여 조종사의 작업 부하를 줄일 수 있다.4 예를 들어, 장거리 비행 중 AI는 난기류를 피하기 위해 경로를 조정하여 조종사가 전략적 감독에 집중할 수 있도록 돕는다. 비상 상황에서는 AI가 실시간 프로토콜 제안을 제공하여 '두 번째 눈'이자 '지치지 않는 두뇌' 역할을 수행할 수 있다.4 그러나 조종사는 여전히 궁극적인 권한을 가지며, 악천후, 승객 위기, 갑작스러운 기계 고장과 같은 예측 불가능한 상황 발생 시 개입하여 AI가 현재 부족한 창의성과 직관을 제공한다.4

 

AI 파일럿의 역할은 단순한 자동화 수준을 넘어, 복잡하고 안전에 중요한 의사결정 과정에서 인간의 역량을 강화하는 방향으로 진화한다. 이는 AI가 예측 가능한 매개변수 내에서 단순히 알고리즘을 실행하는 것을 넘어, 목표를 달성하는 방법을 스스로 결정하는 자율 시스템으로 확장되고 있음을 의미한다.5 이러한 발전은 기술적 역량의 증가와 더불어, 조종사 부족, 피로, 스트레스와 같은 인적 요인으로 인한 한계를 해결하기 위한 AI의 필요성이 증대되고 있음을 보여준다. Reliable Robotics와 Xwing 같은 기업들은 이미 AI가 이착륙 및 비행의 모든 단계를 처리하고 인간 운영자가 원격으로 모니터링하며 필요 시 개입할 준비를 하는 자율 화물 시스템을 시험 중이다.4 이러한 시스템은 단일 조종사 운용(SPO)에서 부조종사를 AI 기반 지능형 자율 시스템(IAS) 또는 원격 지상 운영자로 대체하면서도 기존의 이중 조종사 운용(DPO)과 동일한 수준의 안전성을 유지하는 것을 목표로 한다.6 그러나 AI는 아직 모든 비행 시나리오를 완전히 처리할 수 있는 수준에는 미치지 못한다.4 2024년 MIT 항공우주공학과 연구에 따르면, AI는 예측 가능한 상황에서는 뛰어난 성능을 보이지만, 폭풍 중 엔진 고장이나 제한 구역 내 비상 착륙과 같은 예측 불가능한 상황에서는 어려움을 겪는 것으로 나타났다.4

 

B. 자율성 수준의 분류 및 의사결정 능력

드론 자율성은 최소한의 인간 개입 또는 전혀 개입 없이 드론이 작업을 수행할 수 있는 능력을 의미한다. 이 혁신적인 기술은 인공지능(AI), 머신러닝, 고급 센서 및 정교한 알고리즘의 조합에 의존하여 복잡한 환경에서 작동한다.7 AI 자율성은 규칙 기반의 단순한 작업 실행에서 벗어나, 데이터를 분석하고 패턴을 인식하며 자율적인 의사결정을 내리는 지능형 AI 에이전트로 발전하는 진행 모델을 따른다.8

자율성 수준은 일반적으로 다음과 같이 분류된다:

 

  • 반자율 (Semi-Autonomous): 이 드론들은 주요 결정에 인간의 입력이 필요하지만, 사전 프로그래밍된 경로를 따르는 것과 같은 특정 작업을 독립적으로 수행할 수 있다.7
  • 완전 자율 (Fully Autonomous): 이 드론들은 인간의 개입 없이 작동하며, 환경 데이터 및 임무 목표에 기반하여 실시간으로 의사결정을 내린다.7

AI는 자동화 시스템이 단순히 인간이 프로그래밍한 알고리즘을 실행하는 것을 넘어, 시스템이 목표를 달성하는 방법을 스스로 결정할 수 있는 자율 시스템으로 전환하는 데 필수적인 기반 기술이다.5 AI는 드론 영상 분석, 표적 인식, 표적 추적, 자율 내비게이션(최종 단계 내비게이션 포함), 그리고 정보 추출을 위한 음성 및 텍스트 분석과 같은 특정 기능을 크게 향상시킨다.5 AI 기반 의사결정은 머신러닝 모델이 데이터를 분석하고 즉석에서 결정을 내릴 수 있도록 한다.7 예를 들어, 풍력 터빈을 검사하는 드론은 문제 영역을 식별하고 비행 경로를 조정하여 더 상세한 이미지를 캡처할 수 있다.7 이러한 AI 기술은 드론이 복잡한 작업을 효율적으로 수행하고, 동적 환경에 적응하며, 심지어 미래 시나리오를 예측할 수 있도록 하는 원동력이다.7

 

C. AI 파일럿과 AI 드론/무인기: 관계 및 차이점

'AI 파일럿'과 'AI 드론/무인기'는 항공 자율성 분야에서 밀접하게 관련되어 있지만, 그 초점과 적용 범위에서 차이가 있다. 'AI 파일럿'이라는 용어는 공공 수용성 연구에서 '지능형 자율 시스템(IAS)'으로 정의되며, 이는 조종석 내 AI 기반 온보드 자율 시스템을 의미한다.6 이 시스템은 인간 조종사와 작업을 공유하거나, 단일 조종사 운용에서 부조종사를 대체하는 개념으로 사용된다.6 이는 AI가 항공기 제어의 핵심 기능, 즉 '조종' 역할을 수행하는 소프트웨어 또는 시스템적 측면을 강조한다.

 

반면, 'AI 드론' 또는 'AI 무인기(UAV)'는 AI가 탑재되어 자체적으로 작업을 수행하는 물리적인 무인 항공기 자체를 지칭한다.7 이들은 AI 기반 자율 내비게이션을 통해 표적 교전 성공률을 높이고 운영 비용을 절감하는 등 다양한 임무를 수행할 수 있다.5 이는 지속적인 수동 제어 및 안정적인 통신 필요성을 제거하여 전자전(EW) 및 운영자 기술 부족에 대한 취약성을 줄인다.5

 

이러한 용어들은 기술적으로는 별개의 대상을 지칭하지만, 실제 적용 및 대중적 인식에서는 그 경계가 모호해질 수 있다. 'AI 파일럿'은 항공기 시스템 내에서 조종사의 역할을 수행하거나 보조하는 AI 기능 또는 시스템을 강조하는 반면, 'AI 드론/무인기'는 이러한 AI 기능을 포함한 물리적 플랫폼 전체를 의미한다. 즉, AI 파일럿은 AI 드론/무인기의 '두뇌' 역할을 하는 핵심 구성 요소이다. AI 파일럿 기술의 발전, 예를 들어 자율 내비게이션이나 의사결정 능력의 향상은 AI 드론/무인기의 자율성 수준을 높이는 직접적인 원인이 된다.5

 

일부 자료에서는 'AI 파일럿'이라는 용어가 직접적으로 정의되지 않고, 'AI 기반 자율성' 또는 'AI 기반 드론'과 같은 용어가 지능형 드론 시스템의 전반적인 기능을 설명하는 데 사용되기도 한다.7 이는 'AI 파일럿'이 특정 기능(예: 조종사 보조)을 나타낼 수도 있고, 더 넓게는 항공기 자체의 자율적 운용 능력(AI 드론/무인기)을 포괄하는 개념으로 사용될 수도 있음을 시사한다. 이러한 용어 사용의 유연성은 항공 산업 내에서 AI 기술이 단순히 특정 하드웨어에 국한되지 않고, 비행 제어 및 의사결정이라는 핵심 기능 영역 전반에 걸쳐 통합되고 있음을 보여준다.

 

 

III. AI 파일럿의 핵심 기술 요소

AI 파일럿 기술은 복잡한 항공 환경에서 자율적인 인지, 의사결정, 제어를 가능하게 하는 다양한 인공지능 및 머신러닝 기술의 집합체이다.

 

A. 인공지능 및 머신러닝 알고리즘

AI와 머신러닝은 자율 비행 시스템의 '두뇌' 역할을 하며, 복잡한 환경에서 인지, 의사결정, 행동을 가능하게 한다.9 이들은 방대한 데이터를 학습하여 스스로 판단하고 행동하는 능력을 부여한다.

 

1. 딥러닝 (Convolutional Neural Networks, Recurrent Neural Networks, Transformers)

딥러닝은 자율 주행 시스템을 비롯한 다양한 자율 시스템에서 실시간 인지, 의사결정, 제어를 향상시키는 데 필수적으로 사용된다.10

 

  • CNNs (Convolutional Neural Networks): 이미지와 같은 공간 정보를 처리하는 데 주로 사용되는 딥러닝 모델이다. CNN은 객체 및 거리 추정, 보행자나 자전거 운전자와 같은 취약한 도로 사용자 감지, 차선 감지 및 경로 예측, 교통 표지판 인식, 시각적 위치 파악, 그리고 복잡한 주행 장면 이해에 활용된다.10 Mask R-CNN 및 Faster R-CNN과 같은 진보된 아키텍처는 객체 감지 및 분할 능력을 크게 향상시켰다.10
  • RNNs (Recurrent Neural Networks) 및 LSTMs (Long Short-Term Memory networks): 텍스트 또는 비디오 스트림과 같이 시간 순서가 있는 데이터를 처리하는 데 특히 효과적이다. 이들은 차량의 자세 추정, 경로 계획, 그리고 동적 객체 감지 및 확률적 격자 셀 점유 추정을 통한 점유 격자 맵(OGM) 기반 인지 향상에 사용된다.10
  • Transformers: 주로 자연어 처리 분야에서 발전했지만, 최근에는 온라인 벡터화 고해상도 맵 구성과 같은 자율 시스템의 인지 작업에도 적용된다. 이들은 표준 해상도(SD) 맵을 고해상도(HD) 맵 예측 프로세스에 통합하여 차선 토폴로지 예측 정확도를 높이는 데 기여한다.10

 

2. 강화 학습 (Reinforcement Learning)

강화 학습(RL)은 시스템이 시행착오를 통해 환경과 상호작용하며 최적의 행동 정책을 학습하는 머신러닝 패러다임이다.9 이는 의사결정, 경로 계획, 제어 최적화와 같은 복잡한 작업에 특히 유용하다.9 딥러닝과 강화 학습을 결합한 딥 강화 학습(DRL)은 환경을 인지하고 문제를 해결하는 데 사용되는 강력한 기술이다.15 DRL은 환경에 대한 완전한 정보 없이도 경로 계획을 구현할 수 있으며, 항공기 또는 로봇의 동적 또는 운동학적 성능을 고려할 수 있다는 장점이 있다.15

 

고성능 항공기의 비행 제어에 DRL이 성공적으로 적용되어, 무작위로 생성된 웨이포인트 시퀀스를 다양한 고도와 시나리오에서 따를 수 있음을 보여주었다.16 이러한 적용에서 적절한 보상 함수 설계는 학습의 성공에 결정적인 역할을 하며, DRL은 센서 노이즈, 대기 교란, 다양한 초기 비행 조건 및 참조 신호 모양에 대한 강건성을 입증했다.16 DRL은 또한 복잡한 비행 시나리오에서 나타나는 비선형성을 처리하는 데 유용하다.17

 

그러나 강화 학습, 특히 DRL은 자율 비행 제어 및 경로 계획에서 큰 잠재력을 가지고 있지만, 실제 항공 환경의 복잡성과 예측 불가능성(예: 비선형성, 동적 변화)을 반영하는 효과적인 보상 함수를 설계하는 것이 핵심적이고 어려운 과제로 남아 있다.18 예를 들어, DRL은 UAV 자율 비행 연구에 적용되었으나, 6-DOF(자유도) 환경 및 현실적 적용 부족으로 인해 복잡한 작업을 수행하기 어렵다는 한계가 있었다. 이를 극복하기 위해 모듈형 학습을 통해 더 빠른 학습을 달성하려는 연구가 진행 중이다.19 이론적 시뮬레이션에서의 성공이 실제 환경으로의 전환을 항상 보장하지는 않으며, 현실 세계의 무한한 변수를 포괄하는 보상 설계를 통해 AI가 안전하고 신뢰성 있는 결정을 내리도록 하는 것이 기술적 성숙도를 높이는 데 가장 큰 걸림돌 중 하나로 작용한다. 이는 실제 환경의 복잡성과 비선형성이 보상 함수 설계의 난이도를 높이고, 시뮬레이션과 실제 환경 간의 간극이 DRL의 현실 적용을 어렵게 만들기 때문이다.

 

3. 기타 머신러닝 기법 (지도/비지도 학습)

AI 알고리즘은 크게 지도 학습, 비지도 학습, 준지도 학습, 강화 학습의 네 가지 범주로 분류된다.20

 

  • 지도 학습 (Supervised Learning): 레이블링된 데이터로 모델을 훈련하여 새로운 입력에 대한 출력을 예측하는 방법이다. 객체 감지, 분류, 의미론적 분할과 같은 인식 작업에 주로 사용된다.9 CNN, SVM(Support Vector Machines), 의사결정 트리가 대표적인 알고리즘이다.9
  • 비지도 학습 (Unsupervised Learning): 레이블링되지 않은 데이터에서 숨겨진 패턴과 구조를 발견하는 데 사용된다. 클러스터링, 차원 축소, 이상 감지와 같은 작업에 적용된다.9 K-평균, PCA(Principal Component Analysis), 오토인코더가 대표적인 알고리즘이다.9
  • 전이 학습 (Transfer Learning): 관련 도메인에서 사전 훈련된 모델을 활용하여 새로운 작업에 대한 학습을 가속화하고 모델의 일반화 성능을 향상시키는 기법이다.9
  • 앙상블 방법 (Ensemble Methods): 여러 머신러닝 모델을 결합하여 개별 모델보다 더 나은 예측 정확도와 강건성을 달성하는 방법이다.9

 

B. 인지 및 내비게이션 시스템

AI 파일럿의 핵심은 주변 환경을 정확하게 인지하고, 이를 바탕으로 안전하고 효율적인 경로를 계획하며, 동적으로 변화하는 상황에 적응하는 능력에 있다.

 

1. 컴퓨터 비전 및 센서 융합 기술

컴퓨터 비전은 드론이 주변 환경을 인지하고 장애물을 식별하는 데 핵심적인 역할을 한다.21 이는 다양한 센서로부터 데이터를 수집하고 이를 분석하여 환경에 대한 포괄적인 이해를 구축한다.

 

  • 센서 종류 및 역할: AI 기반 드론은 LiDAR, 카메라, 초음파 시스템, 적외선 센서 등 고급 센서를 사용하여 실시간으로 장애물을 감지한다.7 각 센서는 고유한 장점과 한계를 가진다. 예를 들어, LiDAR는 매우 정확한 3D 맵을 생성하지만 비용이 비싸고 22, 카메라는 풍부한 시각 정보를 제공하지만 저조도 환경에서 성능이 저하될 수 있다.22
  • 센서 융합 (Sensor Fusion): 이러한 개별 센서의 한계를 극복하고 정확도와 신뢰성을 높이기 위해 여러 센서의 데이터를 결합하는 센서 융합 기술이 필수적이다.22 예를 들어, 스테레오 카메라와 초음파 센서의 융합은 UAV가 주변 환경을 더 정확하게 특성화하고 복잡한 환경에서 경로 계획을 개선할 수 있도록 한다.22
  • 컴퓨터 비전 알고리즘: 컴퓨터 비전 알고리즘은 카메라로부터 얻은 이미지 및 비디오 스트림을 처리하여 객체를 감지하고 추적하며, 장애물 회피를 위해 비행 경로를 조정한다.21 CNN은 이미지에서 특징을 추출하고 객체 감지, 분류, 분할에 널리 사용된다.10

AI 파일럿의 핵심은 단순히 개별 센서나 알고리즘을 사용하는 것을 넘어, 이질적인 다중 모달리티 센서 데이터를 실시간으로 융합하고, 이를 딥러닝 기반의 복잡한 신경망 아키텍처(CNN, RNN, Transformer)를 통해 처리하여 환경을 정확하게 인지하고 예측 불가능한 상황에 대응하는 능력에 있다. 이는 센서의 물리적 한계, 데이터의 이질성, 그리고 딥러닝 모델의 복잡성 관리라는 다층적인 기술적 도전을 내포한다. 센서의 개별적 한계가 센서 융합의 필요성을 야기하고, 이질적인 대규모 센서 데이터 처리의 필요성이 딥러닝 모델의 도입을 촉진하는 인과 관계를 형성한다.

 

2. 실시간 경로 계획 및 동적 장애물 회피 알고리즘

AI 알고리즘은 센서 데이터를 분석하고 환경의 객체 움직임을 예측하여 효율적이고 안전한 비행 경로를 생성한다.21 이는 드론이 복잡하고 동적인 환경에서 자율적으로 작동할 수 있도록 한다.

 

  • 장애물 감지 및 회피: AI 기반 드론은 고급 센서를 사용하여 실시간으로 장애물을 감지하고, 머신러닝 알고리즘이 충돌을 예측하고 수정 조치를 취한다.7
  • 적응성: 머신러닝 알고리즘은 과거 경험을 통해 학습하고 의사결정 능력을 향상시켜, 드론이 강풍이나 갑작스러운 날씨 변화와 같은 새로운 도전에 더 효과적으로 대응할 수 있도록 한다.21
  • 경로 계획 방법론: 경로 계획에는 그래프 탐색, 샘플링, 인공 포텐셜 필드(APF) 방법 등이 사용된다.23 APF는 드론을 구로 모델링하고 서로를 끌어당기거나 밀어내는 방식으로 충돌 회피 및 협력적 장애물 회피에 사용된다.23
  • 협력적 경로 계획: 다중 UAV 시스템에서는 정확한 경로 계획이 필수적이다.23 드론은 분산 통신을 통해 위치와 계획된 궤적에 대한 정보를 공유하여 충돌을 예측하고 회피한다.24
  • DRL 기반 경로 계획: 딥 강화 학습(DRL)은 동적 환경에서 UAV의 자율 경로 선택에 활용된다. 이는 Interfered Fluid Dynamical System (IFDS)를 사용하여 안내하고 PID(Proportional-Integral-Derivative) 제어 시스템을 사용하여 비행 제어를 수행한다.27 강화 학습과 CNN의 결합은 복잡한 시나리오에서 UAV 스웜의 장애물 회피 및 경로 계획 효율성을 향상시킨다.28

 

C. 데이터 융합 및 처리 아키텍처

AI 파일럿 시스템은 방대한 양의 이질적인 데이터를 효율적으로 수집, 처리, 융합해야 한다. AI 기반 데이터 융합은 다양한 소스 및/또는 모달리티의 데이터를 통합하고 결합하여 단일 소스만으로는 불가능한 더 정확하고 포괄적인 정보를 제공한다.20

 

  • 데이터 획득: 정형 및 비정형 데이터는 레이더, LiDAR, 적외선 센서, 멀티스펙트럼 카메라, 바이오센서 등 다양한 센서 장치와 개방형 데이터베이스, 네트워크 획득 데이터로부터 획득된다.20 특히, 개별 센서의 한계를 보완하기 위해 여러 센서를 결합한 다중화 및/또는 다중 모달 센서 시스템이 개발된다.20
  • AI 분석 및 예측 방법: 원시 데이터는 종종 고차원적이고 불규칙하며 이질적이어서 기존 처리 방법으로는 식별하기 어렵다. AI 방법은 데이터로부터 학습하고 비선형 관계를 구축하는 능력으로 인해 현대 지능형 시스템에서 점점 더 중요한 역할을 한다.20
  • 특징 엔지니어링 (Feature Engineering): 도메인 지식과 수학적 연산을 사용하여 원시 데이터에서 특징을 추출하여 AI 모델 성능을 향상시키는 과정이다. 이는 Random Forest (RF), Support Vector Machine (SVM), K-Nearest Neighbor (KNN)과 같은 간단한 AI 모델에 사용된다.20
  • 특징 학습 (Feature Learning/Representation Learning): 딥러닝 모델(오토인코더, CNN, RNN)이 원시 데이터에서 특징/표현을 자동으로 추출하는 방법이다. CNN은 특징 추출 및 공간 차원 축소에, RNN은 시계열 데이터 처리에 사용된다.20
  • 데이터 융합 전략: AI 기반 데이터 융합 전략은 크게 초기 융합(데이터 레벨), 후기 융합(결정 레벨), 중간 융합으로 분류된다.20
  • 초기 융합 (Early Fusion): 독립적인 데이터셋을 단일 특징 벡터로 융합한 후 단일 AI 모델에 입력한다.
  • 후기 융합 (Late Fusion): 각 모달리티별로 다른 모델을 훈련하고, 이 모델들의 예측을 결합하여 최종 예측을 수행한다.
  • 중간 융합 (Intermediate Fusion): 다른 모달리티 데이터를 고차원 특징 표현으로 변환한 후 모델의 중간 계층(예: 신경망 내)에서 융합한다.

이러한 데이터 융합 및 처리 아키텍처는 AI 파일럿 시스템이 복잡한 환경에서 수많은 센서로부터 들어오는 이질적인 데이터를 실시간으로 통합하고 해석하는 데 필수적이다. 그러나 고품질 대규모 데이터 확보, 결측 데이터 처리, 데이터 편향 문제, 모델 설명 가능성(블랙박스 모델), 개인 정보 보호 및 보안 위험 등 해결해야 할 도전 과제들이 존재한다.20

 

 

 

 

IV. 유무인 복합 운용 (MUM-T)에서의 AI 파일럿

유무인 복합 운용(MUM-T)은 인간 조종사가 탑승한 플랫폼과 무인 플랫폼이 협력하여 임무를 수행하는 혁신적인 전략이다. AI 파일럿 기술은 이러한 협업을 가능하게 하는 핵심 동력이다.

 

A. MUM-T의 개념 및 전략적 중요성

MUM-T는 군사 영역에서 유인 및 무인 플랫폼을 동기화하여 작전을 지원하는 혁명적인 전략이다.29 이 개념은 전장 인식 향상, 치명성 증대, 생존 가능성 개선 등 유무인 플랫폼의 통합된 특징을 제공한다.29 MUM-T는 군인, 유인 및 무인 항공/지상 차량, 로봇, 센서의 동기화된 운용을 통해 다영역에서 끊임없이 변화하는 전장 작전 계획을 제공한다.29

 

MUM-T는 AI를 활용하여 유무인 시스템 간의 협업을 강화하고, 임무 효율성과 안전성을 크게 향상시킨다.29 예를 들어, 무인 전투 항공기(UCAV)는 유인 항공기가 높은 방공 위험에 직면하는 지역에서 전략적 목표를 은밀하고 정확하게 타격하는 데 유용하다.29 또한, 위험한 정찰 및 감시 작전을 수행하고 수집된 정보를 유인 시스템에 전달함으로써 인명 위험을 줄일 수 있다.29

 

MUM-T는 소방, 수색 및 구조, 유해 물질 사고, 법 집행 등 민간 분야에서도 중요한 응용 가능성을 가진다.30 이는 군사적 필요성이 AI 파일럿 기술의 극한 성능 개발을 주도하고, 여기서 얻은 기술적 돌파구가 민간 항공 분야의 안전성 및 효율성 향상으로 전이되는 상호 보완적 관계가 형성되고 있음을 보여준다. 반대로, 민간 분야의 대규모 데이터 처리 및 상용화 노력은 군사 AI 시스템의 개발 비용 절감과 신속한 배포에 기여할 수 있다.

 

B. AI 기반 협업, 상황 인식 및 의사결정 메커니즘

MUM-T는 인간 지능과 인공지능(AI)을 계획 및 의사결정 과정에 결합하여 정확성, 작전 유연성, 머신러닝의 연속성을 보장한다.30 AI 기반 내비게이션 솔루션을 활용하는 자율 시스템이 MUM-T의 핵심 기술이며, 이는 군대 및 민간 분야에서 전력 증강 요소로 작용한다.30 MUM-T는 유인 플랫폼이 무인 항공기(UAV)와 다양한 상호 운용성 수준(LOI)으로 연결될 수 있도록 하여 상황 인식, 의사결정, 임무 효율성을 향상시킨다.30 UAV는 모든 플랫폼 간에 데이터를 효율적으로 공유하고, 최소한의 전력과 대역폭으로 복잡한 전술 문제를 기계 속도로 해결한다.30

 

그러나 MUM-T 시스템은 잠재적인 약점도 가진다. 통신 프로토콜 및 데이터 형식의 차이로 인한 통신 및 조정 실패, 인터넷 연결로 인한 사이버 공격에 대한 취약성, 적의 공격에 대한 노출, 그리고 유인 플랫폼을 운용하는 조종사의 과도한 작업 부하 등이 주요 도전 과제이다.29 특히, 인간 조종사의 작업 부하 증가는 AI 도입이 인간의 인지적 부담을 줄이는 동시에 새로운 형태의 과부하(예: 다수의 무인기 모니터링)를 유발할 수 있다는 점을 보여주며, 이는 기술 발전이 항상 긍정적인 결과만을 가져오지는 않는다는 점을 시사한다. 따라서 인간 중심 설계의 중요성이 강조된다. AI를 통한 협업 강화는 상황 인식 및 의사결정 능력 향상으로 이어지지만, 이질적인 시스템 간의 통신 문제는 조정 실패를 초래할 수 있다.

 

C. 유무인 플랫폼 간의 통신 및 데이터 공유 기술

MUM-T는 인간 조종사와 무인 로봇 플랫폼이 육상, 해상, 공중에서 함께 작동하는 것을 포함하며, 이들 간의 효율적인 통신 및 데이터 공유가 필수적이다.29 표준 UAV/유인 팀 구성 아키텍처는 항공기 또는 지상에 있는 유인 팀원을 활용하며, 각 팀원은 무인 항공기와 무선으로 통신하고 UAV는 모든 플랫폼 간에 데이터를 효율적으로 공유한다.30

 

MUM-T는 센서 기술, AI 발전, 통신 프로토콜 및 네트워크 토폴로지 발전, 사용자 중심 설계 방법의 성장에 의해 발전한다.29 인간과 AI는 효과적인 협업을 위해 의사소통 채널을 가져야 하며, AI는 자신의 추론과 신뢰 수준에 대해 질문을 받을 수 있어야 한다.33 또한, AI는 인간이 가지고 있지 않은 정보를 입력받을 수 있어야 하며, 인간과 AI는 시스템 작동, 외부 영향, 현재 상황에 대한 공유된 모델과 이해를 가져야 한다.33

 

AI 기반 데이터 융합은 다중 센서 및/또는 다중 소스의 데이터를 통합하여 MUM-T 시스템의 상황 인식, 의사결정, 자율 작전을 향상시킨다.20 이는 MUM-T 시스템이 어떻게 유무인 플랫폼 간의 시너지를 창출하는지, 그 근간이 되는 통신 및 데이터 융합 기술의 구체적인 메커니즘을 보여준다. AI가 단순한 데이터 전송을 넘어 데이터 융합을 통해 상황 인식을 심화하고 의사결정을 지원하는 과정을 기술적으로 조명한다.

 

표 1: MUM-T 시스템의 통신 및 데이터 융합 기술 개요

 

이 표는 MUM-T의 작동 원리를 기술적 관점에서 깊이 있게 이해하고, 관련된 핵심 기술과 도전 과제를 한눈에 파악할 수 있도록 돕는다.

 

D. 자원 할당 및 임무 계획 알고리즘

MUM-T 환경에서 AI 파일럿은 단순히 개별 항공기를 제어하는 것을 넘어, 여러 유무인 플랫폼 간의 복잡한 자원 할당 및 임무 계획을 실시간으로 최적화하는 데 필수적이다. MUM-T 임무에서 무인 항공기(UAV)는 시간 제약적이고 방향 의존적인 궤적을 따라야 하며, 방어 임무 중 자체 움직임을 제어하고 후속 임무로 가는 경로에서 협력적으로 항해할 수 있어야 한다.35

 

고수준 의사결정자(High-Level Decision Maker)는 각 페이로드 관리자에게 적응적으로 자원을 할당하며, 다목적 최적화 및 학습 엔진(Multiobjective Optimization and Learning Engine)은 동적이고 상황 기반의 학습을 수행한다.35 특히, 강화 학습 프레임워크는 불확실성을 극복하고 정적 모델에 의존하지 않는 동적 환경에서의 자원 할당을 지원한다.35

 

협력적 의사결정 및 임무 계획을 위한 알고리즘에는 Consensus-Based Bundle Algorithms (CBBA)와 같은 분산형 최적화 알고리즘이 사용된다.36 CBBA는 다중 임무 할당 문제를 해결하며, 실시간 성능과 최적의 결과를 보장한다.36 이는 동적 임무 생성 메커니즘과 비동기식 임무 할당 메커니즘을 도입하여 계산 복잡성과 UAV 간 통신 시간을 줄인다.36

 

MUM-T 환경에서 강화 학습은 예측 불가능한 전장 환경에서 불확실성을 관리하고 동적으로 변화하는 상황에 적응하는 데 강력한 도구이다. 그러나 이는 보상 함수 설계의 복잡성 및 대규모 멀티 에이전트 시스템에서의 학습 안정성이라는 근본적인 기술적 도전을 수반한다. 분산형 의사결정 알고리즘은 중앙 집중식 제어의 단점(단일 실패 지점, 확장성 부족)을 극복하지만, 통신 지연 및 정보 불일치와 같은 새로운 문제를 야기할 수 있다. '고수준 의사결정자'와 '다목적 최적화 및 학습 엔진'의 존재는 MUM-T 시스템이 계층적 의사결정 구조를 가질 수 있음을 시사하며, 이는 AI가 모든 것을 직접 결정하기보다는 고수준의 전략적 결정을 지원하는 역할을 할 수 있음을 의미한다.

 

 

V. 무인기 편대 운용 (UAV Swarm)에서의 AI 파일럿

무인기 편대(UAV Swarm) 운용은 다수의 무인기가 협력하여 복잡한 임무를 수행하는 것을 의미하며, AI 파일럿 기술은 이러한 집단 지능의 구현에 필수적인 역할을 한다.

 

A. UAV 스웜의 기술적 원리: 분산화, 적응성, 집단 지능, 견고성

UAV 스웜의 핵심은 분산화에 있으며, 이는 단일 개체가 시스템을 제어하지 않음을 의미한다.37 개별 에이전트는 지역 규칙과 제한된 정보에 따라 작동하지만, 그들의 상호작용은 전체 목표 달성으로 이어진다. 이는 중앙 명령 구조의 필요성을 없애고 단일 실패 지점을 제거한다.37

 

  • 분산화 (Decentralization): 분산화는 확장성을 가능하게 하여, 구조적 변경 없이 스웜이 쉽게 확장되거나 축소될 수 있도록 한다.37 또한, 개별 에이전트가 오작동하더라도 다른 에이전트가 영향을 받지 않고 계속 작동하여 시스템의 견고성을 높인다.37
  • 적응성 (Adaptability): 스웜은 미리 정의된 역할이나 정적 구성에 의존하는 경직된 시스템과 달리, 당면한 문제에 따라 역할과 자원을 동적으로 재할당한다.37 이는 피드백 루프와 지역적 의사결정을 통해 달성된다.37
  • 집단 지능 (Emergence): 집단 지능은 개별 에이전트의 단순한 지역적 상호작용에서 복잡한 전역적 행동이 나타나는 현상이다.37 스웜은 부분의 합보다 훨씬 큰 문제 해결 능력을 보여주며, 예를 들어, 로봇 스웜이 동굴 시스템의 효율적인 지도를 집단적으로 생성할 수 있다.37
  • 견고성 (Robustness): 견고성은 중복성, 분산 지능, 지역적 적응성을 통해 달성된다.37 개별 에이전트가 실패하거나 제거되어도 시스템 전체는 효과적으로 계속 기능할 수 있다.37

스웜 지능 알고리즘은 대규모 데이터셋 관리 및 복잡한 시스템 처리에 뛰어나며, 분산적이고 탈중앙화된 특성 덕분에 성능 저하 없이 확장 가능한다.38

 

B. 비행 애드혹 네트워크 (FANET) 통신 아키텍처 및 프로토콜

UAV 스웜의 '집단 지능'과 '견고성'은 개별 UAV의 분산된 의사결정 능력에 기반하지만, 이러한 분산된 개체들이 마치 하나의 유기체처럼 기능하기 위해서는 고도로 효율적이고 견고하며 적응성 있는 통신 네트워크가 필수적이다. 비행 애드혹 네트워크(FANET)는 중앙 액세스 포인트 없이 UAV가 서로 직접 통신하여 자율적으로 작업을 조정할 수 있는 네트워크이다.39

 

FANET의 장점: 유연성, 확장성, 인프라 의존도 감소 등이 있다.39 그러나 FANET은 견고한 통신 프로토콜, 동적 토폴로지 관리 및 신뢰성 보장과 같은 도전 과제를 안고 있다.39

통신 아키텍처는 크게 두 가지로 나뉜다:

 

  • 인프라 기반 아키텍처 (Infrastructure-based Architectures): 지상 통제소(GCS)에 의존하여 스웜을 관리한다.39 이는 중앙 집중식 계산 및 실시간 최적화가 가능하지만, GCS의 단일 실패 지점, 통신 범위 제한, 분산 의사결정의 유연성 부족 등의 한계가 있다.39
  • FANET 아키텍처 (Flying Ad-hoc Network Architecture): UAV 간 직접 통신을 통해 자율적 작업을 조정한다. 최소한 하나의 UAV는 지상 기지 또는 위성과의 연결을 유지한다.39

라우팅 프로토콜: FANET은 높은 이동성, 동적 네트워크 구조, 불규칙한 노드 상호작용으로 인해 라우팅 프로토콜 설계가 복잡하다.42 라우팅 프로토콜은 토폴로지 기반(정적, 사전 대응, 반응형, 하이브리드), 위치 기반, 계층 기반, 스웜 기반, 지연 허용 네트워킹(DTN) 프로토콜로 분류된다.42 AODV(Ad-hoc On-Demand Distance Vector)와 같은 반응형 라우팅 프로토콜이 다중 UAV 기반 정찰 시나리오에서 높은 PDR(Packet Delivery Ratio) 성능을 보여주었다.44

 

표 2: UAV 스웜 통신 아키텍처 유형별 비교

 

이 표는 UAV 스웜의 집단 지능 구현을 위한 분산화와 통신 프로토콜의 상호 의존성을 명확히 보여준다. 분산화된 에이전트는 중앙 집중식 제어의 한계를 극복하지만, 이들 간의 협력적 행동을 위해서는 FANET과 같은 동적 통신 네트워크가 안정적으로 작동해야 한다. 이는 FANET의 동적 특성(잦은 토폴로지 변화, 높은 이동성)으로 인한 통신 문제(예: 패킷 손실, 지연)를 극복하기 위한 지속적인 연구가 필요함을 시사한다.

 

C. 분산 협력 제어 및 의사결정 알고리즘

UAV 스웜의 효과적인 운용을 위해서는 개별 드론이 자율적으로 행동하면서도 전체 스웜의 목표를 달성하기 위한 협력적 제어 및 의사결정 알고리즘이 필수적이다. 분산형 제어는 각 스웜 구성원이 자체 컨트롤러를 가지며, 중앙 컨트롤러의 궤적을 따르기보다 서로의 움직임에 반응하여 안전하게 목표에 도달하도록 한다.49

 

  • 다중 에이전트 강화 학습 (Multi-Agent Reinforcement Learning): UAV 스웜의 적대적 상호작용에서 실시간 제어 의사결정 문제를 해결하기 위해 다중 에이전트 강화 학습(MAPPO) 알고리즘이 사용된다.18 MAPPO는 각 에이전트의 정책 네트워크를 최적화하여 전체 시스템의 협력적 의사결정을 가능하게 한다.18 보상 함수 설계는 스웜의 전략 최적화에 직접적인 영향을 미치며, 생존 상태, 공격 능력, 전투 효율성, 동적 전술 정보를 고려해야 한다.18
  • 합의 알고리즘 (Consensus Algorithms): 합의 알고리즘은 스웜 로봇 공학의 근간을 이루며, 중앙 집중식 제어 없이 여러 에이전트 간의 집단적 의사결정을 가능하게 한다.50 이 알고리즘들은 데이터 또는 행동에 대한 합의를 보장하여 분산 시스템에서 조정된 행동과 오류 허용을 촉진한다.50 유형은 Paxos와 같은 리더 기반 접근 방식부터 반딧불이와 꿀벌을 모방한 생체 영감 메커니즘까지 다양하다.50
  • 협력적 임무 계획: 동적 환경에서 다중 이기종 UAV의 실시간 복잡한 임무 계획 문제를 해결하기 위해 Consensus-Based Bundle Algorithms (CBBA)와 같은 분산형 최적화 알고리즘이 효과적으로 적용된다.36

 

D. 편대 비행 및 충돌 회피 기술

UAV 스웜의 충돌 회피는 임무 성공에 매우 중요하다.22 스웜은 정적 및 동적 장애물(나무, 건물, 새, 다른 UAV)에 대한 위협에 직면할 수 있으므로, 안전한 경로 계획이 필수적이다.22

 

  • 분산 통신 기반 충돌 회피: 드론은 분산 통신을 사용하여 자신들의 위치와 계획된 궤적에 대한 정보를 공유함으로써 충돌을 예측하고 회피한다.24 이러한 시스템은 '반발 벡터(Repulsion Vectors)' 개념에 기반하여 장애물(다른 드론 포함)의 보호 영역에 몰입하는 수준에 따라 회피 반응을 결정한다.24 이 알고리즘은 단순성과 낮은 계산 복잡성으로 인해 소형 및 저비용 드론에도 적용 가능하다.24
  • 인공 포텐셜 필드 (Artificial Potential Field, APF): APF는 충돌 없는 리더-팔로워 행동을 기반으로 하는 SwarmPath 기술에 통합되어, 드론이 환경에 적응하고 가장 작은 경로를 찾도록 돕는다.51
  • 임피던스 컨트롤러 (Impedance Controller): APF와 결합하여 스웜 내비게이션을 향상시키며, 드론이 장애물과 가상 링크를 생성하여 충돌을 피하도록 동적으로 임피던스 링크를 조정한다.51
  • 협력적 경로 계획: 다중 UAV 시스템에서 정보 공유 및 융합 방법을 제안하여 각 항공기가 상대적으로 정확하고 일관된 전역적 인지 정보를 얻고 임무를 결정하도록 한다.23
  • 강화 학습 및 CNN: 강화 학습과 CNN의 결합은 복잡한 시나리오에서 UAV 스웜의 장애물 회피 및 경로 계획 효율성을 향상시키는 데 기여한다.28

대규모 UAV 스웜의 실시간 운용에서는 각 개별 드론이 복잡한 환경에서 수많은 다른 드론 및 장애물과 상호작용하며 충돌 없이 경로를 계획하고 실행해야 한다. 이는 엄청난 계산 부하를 유발할 수 있으므로, 알고리즘의 '계산 효율성'이 단순한 성능 지표를 넘어 실제 적용 가능성을 결정하는 핵심 요소가 된다. 따라서, 복잡한 환경에서의 정확성과 동시에 경량화된 계산 요구사항을 충족시키는 알고리즘(예: 반발 벡터, APF 기반)의 개발이 스웜 기술의 상용화 및 대규모 배포의 중요한 전제 조건이다.

 

 

VI. AI 파일럿 기술의 현재 개발 현황 및 주요 연구 프로젝트

AI 파일럿 기술은 다양한 연구 기관과 기업의 활발한 노력으로 빠르게 발전하고 있으며, 그 성숙도는 기술 준비 수준(TRL)을 통해 평가될 수 있다.

 

A. 기술 준비 수준 (TRL) 분석 및 현황

TRL(Technology Readiness Levels)은 AI 시스템의 성숙도와 배포 준비 상태를 측정하는 명확하고 객관적인 프레임워크이다.52 원래 NASA가 우주 기술의 성숙도를 측정하기 위해 개발했지만, 현재 AI 분야에서도 중요하게 적용된다.52 TRL 척도는 TRL 1(기본 원리 관찰)부터 TRL 9(임무 수행에 검증 및 운영)까지 9단계로 구성된다.52

9단계 TRL (TRL 1-9) 개요:

 

  • TRL 1-3 (초기 연구 및 개념 증명): TRL 1은 AI 모델의 기본 원리를 관찰하고 보고하는 단계이다. TRL 2는 가설적 애플리케이션을 공식화하고, TRL 3은 통제된 실험실 환경에서 작동하는 AI 모델(개념 증명)을 개발하고 테스트하는 단계이다.52 많은 AI 스타트업이 이 단계에서 시작하지만, 실제 환경 검증이 부족한 경우가 많다.52
  • TRL 4-6 (통제된 환경에서의 검증 및 시연): TRL 4는 실험실에서 AI 시스템을 검증하는 단계이다. TRL 5는 실제와 유사한 시뮬레이션 환경에서 AI 시스템을 테스트하며, TRL 6은 통제된 환경에서 AI 도구의 프로토타입을 시연하는 중요한 단계이다.52
  • TRL 7-9 (전체 시스템 통합, 테스트 및 배포): TRL 7은 실제 환경에서 운영 프로토타입을 시연하는 단계이다. TRL 8은 시스템이 엄격한 테스트를 통해 완성되고 검증된 단계이며, TRL 9는 AI 시스템이 임무 수행에 검증되고 운영되는 '골드 스탠다드' 단계이다.52

항공 산업에서 AI 파일럿 기술의 TRL을 평가하려면, 기술 및 데이터 준비성 검증, 배포 및 운영 준비성 평가, 그리고 규제 및 준수 표준과의 일치 여부 확인이 필수적이다.52 현재 AI 파일럿 기술은 아직 TRL 9에 도달하지 못했다. FAA와 EASA의 로드맵은 AI의 단계적 통합을 강조하며, 예측 유지보수나 조종사 보조와 같은 '낮은 위험' 애플리케이션부터 시작하여 자율 비행 시스템과 같은 '고위험' 영역으로 이동할 것을 권고한다.54 일부 엔진 기술은 NASA의 평가 프레임워크에서 TRL 6에 도달한 사례가 있다.56 항공 산업은 AI 시스템의 안전성 보장을 위해 엄격한 안전 인증 프로세스를 거쳐야 한다.54

 

항공 산업은 AI 기술의 잠재적 이점(안전성, 효율성, 비용 절감)을 인지하고 적극적으로 연구 개발에 참여하고 있지만, TRL 척도가 보여주는 기술 성숙도와는 별개로, '안전'이라는 절대적 가치 때문에 매우 보수적인 접근 방식을 취한다. 이는 AI 기술이 TRL 6 이상으로 충분히 성숙하더라도, 실제 상용화 및 광범위한 배포는 규제 기관의 엄격한 인증과 대중의 신뢰 확보라는 추가적인 허들을 넘어야 함을 의미한다. 따라서 항공 분야에서의 AI 기술 준비 수준은 단순히 기술 자체의 완성도를 넘어, 규제 및 사회적 수용성이라는 복합적인 요인에 의해 결정된다. 항공 산업의 높은 안전 기준은 AI 기술의 점진적 도입과 엄격한 TRL 및 인증 프로세스를 요구하며, 이는 장기적인 관점에서 더 견고한 시스템 개발을 촉진한다.

 

B. 주요 연구 기관 및 기업의 혁신 사례

전 세계적으로 다양한 연구 기관과 기업들이 AI 파일럿 기술 개발에 적극적으로 참여하고 있다.

 

  • Airbus: 자율 비행 시스템을 안전하고 효율적으로 지원하며, 지속 가능한 항공우주를 개척하는 비전을 가지고 있다.57 주요 프로젝트로는 차세대 전투기를 AI 기반 시스템-오브-시스템 접근 방식으로 연결하는 유럽 방위 프로그램인
    Future Combat Air System (FCAS) 57이 있다. 민간 분야에서는 공항에서 자동 택싱을 테스트하고 조종사 지원을 강화하는
    Optimate 시연기 57, 편대 비행 중 자율 공중 급유 기술을 개발하는
    Auto'Mate 57, GPS 음영 지역에서 유인 및 원격 조종 항공 시스템의 상대적 위치를 결정하는
    DeckFinder 57, 헬리콥터 조종사 작업 부하를 줄이고 안전성을 높이는
    Vertex 57, 그리고 Airbus 전반의 자율 항공기 애플리케이션을 위한 확장 가능하고 인증 가능한 자율 시스템을 구축하는
    Wayfinder 57 등이 있다.
  • DARPA (Defense Advanced Research Projects Agency): 국방 분야에서 AI 파일럿 기술의 선두 주자이다. ALIAS (Aircrew Labor In-Cockpit Automation System) 프로그램은 기존 항공기에 높은 수준의 자동화를 추가하여 탑재 승무원을 줄이고 조종사 작업 부하를 경감하며 항공기 안전을 개선하는 것을 목표로 한다.58
    EVADE 프로그램은 Sikorsky MATRIX 비행 자율성 알고리즘을 활용하여 전 임무(이착륙 포함)에 걸쳐 비행 제어 및 내비게이션 요구 사항을 관리하고 사용자 상호작용을 최소화하는 드론 역량을 시연한다.59
    Air Combat Evolution (ACE) Program은 AI 기반 항공기가 인간 조종사를 능가하도록 훈련시키는 데 중점을 둔 다단계 이니셔티브이다.60
  • Boeing & Aurora Flight Sciences: NASA ULI(University Leadership Initiative)와 협력하여 통신 인식 자율성, 배터리 모델링 및 에너지 소비, 도시 항공 모빌리티(UAM) 등 다양한 주제에 대한 연구를 진행하고 있다.61
  • Reliable Robotics: 엔진 시동부터 정지까지 모든 비행 작업을 관리하는 '지속적인 자동 조종 장치 작동' 시스템을 개발 중이다.3
  • Zipline: 머신러닝을 활용한 정적 코드 세트가 인간 성능을 능가하는 안전 수준으로 항공기를 운용할 수 있다고 주장한다.3
  • General Atomics Aeronautical Systems, Inc. (GA-ASI): MQ-9B SkyGuardian과 같은 중고도 장시간 체공 항공기를 개발하며, 대잠전, 통신 지원, 원격 표적, 전자전 등 새로운 임무를 통합한다.62 또한 미 공군의 Collaborative Combat Aircraft (CCA) 프로그램에 참여하여 고위험 임무를 수행하고 유인 플랫폼을 방어하는 자율 윙맨을 개발 중이다.62
  • Kratos' XQ-58A Valkyrie: Shield AI의 Hivemind AI 시스템을 통해 GPS나 능동 통신 링크 없이도 비행할 수 있는 무인 전투 항공기이다.60
  • C3 AI: 미 공군(USAF) 항공기의 예측 유지보수 및 부품 재고 관리를 위한 AI 기반 솔루션을 구현하여 항공기 임무 수행 능력 향상 및 계획되지 않은 유지보수 감소에 기여한다.63

군사적 필요성(고위험 환경에서의 자율성, 인명 피해 최소화)이 AI 파일럿 기술의 극한 성능 개발을 주도하고 있으며, 여기서 얻은 기술적 돌파구(예: GPS 없이 비행, 복잡한 전술 기동)가 민간 항공 분야의 안전성 및 효율성 향상(예: 단일 조종사 운용, 자율 화물 비행)으로 전이되는 상호 보완적 관계가 형성되고 있다. 반대로, 민간 분야의 대규모 데이터 처리 및 상용화 노력은 군사 AI 시스템의 개발 비용 절감과 신속한 배포에 기여할 수 있다 있다. 이는 AI 파일럿 기술의 발전이 단일 분야에 국한되지 않고, 군사-민간 기술 전이(Spin-off/Spin-on)를 통해 가속화되고 있음을 의미한다.

 

C. 글로벌 현황

AI 파일럿 기술은 전 세계적으로 차세대 전투기 사업의 핵심 요소로 부상하고 있으며, 특히 미국을 중심으로 활발한 연구 및 시범 운용이 이루어지고 있다.

  • 미국 DARPA:
  • F-16 Viper 기체에 AI 파일럿 모듈을 탑재하여 공중전(dogfight)을 성공적으로 시연했다.60
  • 차세대 무인·유인 혼합 운용 전투기(Next-Generation Air Dominance, NGAD) 프로그램에서 AI 기반 전술 의사결정 및 전투 협업을 시범 운용 중이다.60
  • 미국·이탈리아·일본 연합 GCAP 및 NACS:
  • 미국, 이탈리아, 일본이 공동 추진하는 GCAP(Global Combat Air Programme)와 미국, 프랑스, 영국, 독일이 협력하는 NACS(NATO Aircrewless Combat System)에서 AI 파일럿이 업무 분담 및 협업 임무를 수행하도록 설계되고 있다.
  • 핵심 기술 키워드:
  • 강화 학습(RL) 기반 전술 의사결정 60
  • 실시간 센서 융합 및 목표 식별 60
  • 디지털 트윈 시뮬레이션 60
  • 안전성·보안성 평가 60

 

D. 한국의 AI 파일럿 개발 현황

한국은 한국항공우주연구원과 KAI(한국항공우주산업)를 중심으로 AI 파일럿 기술 개발에 적극적으로 나서고 있으며, 2030년까지 'Level-4' 수준의 자율 비행 실증을 목표로 한다.

 

  • KAI 주도 개발 사업:
  • 2024년 말 기준 1,025명 규모의 전담 조직을 구성하여 무인 전투기 및 유·무인 협동체계(CCA)에 활용될 AI 파일럿 및 자율비행 소프트웨어 개발에 착수했다.
  • 2025년부터 2030년까지 5년간 약 1,500억 원을 투자하여 초기 고정익·회전익 플랫폼(T-50/FA-50, 수리온, LAH, KF-21 등)에 AI 파일럿 모듈 적용을 추진할 계획이다.
  • 단계별 로드맵:
  • 1단계 (2025년): Level-1 자율비행 기능 개발 및 검증(이착륙 보조, 경로 추종)
  • 2단계 (2026~2027년): Level-2 AI 파일럿 AAP(Autonomous Air Platform) 시제기 실증, 단독 포착·추적·회피 비행 시험
  • 3단계 (2028~2029년): Level-3 전술 협업 임무(요격·SEAD 등) 시험, 1인 조종사와 AI 협동 비행
  • 4단계 (2030년): Level-4 완전 자율비행(공중전 전개·우군 지원) 실증 완료 목표
  • 핵심 기술 구성:
  • Perception & Sensor Fusion: EO/IR, 레이더, 전자광학 데이터 실시간 융합, 목표 식별·추적을 위한 CNN 기반 객체 탐지
  • Decision & Planning: 강화 학습 기반 전술 의사결정(Deep RL, PPO, SAC 등), POMDP(Partially Observable Markov Decision Process) 모델 활용
  • Flight Control: 칼만 필터 + 예측 제어 모듈, 적응형 피드백 제어로 공중급유·기동 회피
  • Digital Twin & Simulation: 몬테카를로 기법, 도메인 랜덤화로 실제 환경 로버스트니스 확보, 실기체 시험 전 가상환경에서 전술 교전 함수 검증
  • 주요 도전 과제:
  • 안전성·인증: 항공 안전 기준(FAA/EASA)에 맞춘 AI 검증·밸리데이션 절차 미성숙
  • 휴먼-AI 협업: 조종사 오버라이드(override) 인터페이스, 신뢰 구축 문제
  • 실시간 제약: 초저지연 통신·연산 자원 확보
  • 보안·내구성: 적 대공전·사이버 공격 환경에서의 AI 견고성
  • 윤리·법률: 자율 살상 무기 논란, 책임 소재
  • 적용 및 파급 효과:
  • 무인 협동 전력(UCX): 유·무인 편대 전술 운용
  • 위험 임무 대체: SEAD, 전자전, 정찰, 공중급유 지원
  • 국방 산업 혁신: 국산 전투기(UH-60M/LAH) 업그레이드, 수출 경쟁력 강화

 

E. 최근 기술적 돌파구 및 상용화 전망

AI 파일럿 기술은 항공 산업에 막대한 경제적 가치를 창출할 것으로 예상된다. AI는 2033년까지 항공 산업 전반에 걸쳐 400억 달러 이상의 가치를 창출할 것으로 예상되며, 예측 유지보수 및 연료 최적화를 통해 연간 250억 달러의 비용 절감을 가져올 수 있다.2

 

  • 조종사 훈련 혁신: AI는 조종사 훈련을 혁신하여 방대한 항공기 데이터를 분석하고 개인화된 피드백과 권장 사항을 제공한다.2 이는 조종사 부족 문제를 완화하고 훈련 시간과 비용을 줄이는 데 기여할 수 있다.2
  • 자율 비행으로의 전환: 비표준 상황을 처리할 수 있는 AI 부조종사는 비행 안전을 향상시킬 수 있다.2 장기적으로는 화물 및 빈 비행부터 시작하여 자율 비행으로의 전환이 예상된다.2 대중의 신뢰가 높아지면 자율 비행의 승객 채택이 비용을 크게 낮추고 운영 효율성을 높일 수 있다.2 2025-2030년에는 자율 화물 항공기와 에어 택시의 성장이 예상되며, 2030-2040년에는 AI 부조종사 지원을 통한 단일 조종사 운용이 도입될 수 있다. 2040년 이후에는 단거리 및 장거리 상업 비행의 완전 자율화가 예상된다.66
  • 항공 교통 관리 및 유지보수 효율성 증대: FAA는 2024년에 AI를 항공 교통 관제에 활용하여 안전과 효율성을 개선하려는 의도를 표명했다.4 AI는 항공기 유지보수를 혁신하여 예측 유지보수를 통해 센서 데이터 분석을 통해 마모를 감지하고 고장을 예측하며 수리를 사전에 예약한다.4 일부 소형 일반 항공기조차 비상 시 스스로 착륙할 수 있는 수준에 도달했다.3
  • 지속 가능성 기여: AI는 항공 교통 관제 및 항공기 시스템의 운영 효율성을 높여 지속 가능성에 기여한다. AI는 항공기 제조 시 공기역학적 설계 개선, 공항 물류 간소화, 경량 소재, 대체 연료 또는 배터리 기술 발전에 기여할 수 있다.2

그러나 완전 자율 상업 비행은 기술적, 심리적, 법적, 보안 문제로 인해 아직 임박하지 않았다.4 대신 AI는 조종사의 역량을 강화하는 '코파일럿' 또는 '지능형 보조 시스템'으로서의 역할에 중점을 두고 발전하며, 더 안전하고 효율적이며 보안된 항공 작전에 기여할 것이다.4

 

 

 

 

VII. 도전 과제 및 미래 전망

AI 파일럿 기술의 발전은 항공 산업에 혁신적인 기회를 제공하지만, 동시에 극복해야 할 중대한 기술적, 규제적, 윤리적, 사회적 도전 과제들을 안고 있다.

 

A. 기술적 한계 및 극복 방안 (비결정론적 시스템, 데이터 품질, 연산 능력)

AI 파일럿 기술은 본질적인 기술적 한계에 직면해 있으며, 이는 광범위한 적용을 위해 반드시 극복되어야 한다.

 

  • 비결정론적 시스템 (Non-deterministic Systems): 현재 FAA 소프트웨어 인증 프레임워크는 비결정론적 자율 시스템에 상당한 어려움을 제기한다.67 AI 시스템의 출력을 예측할 수 없으므로, 모든 잠재적 출력이 기존 안전 및 보증 표준을 준수하는지 테스트하고 검증하는 것이 불가능하다.67 AI의 비결정론적 특성은 기존의 결정론적 시스템 기반의 안전 인증 방식과 충돌하며, 이는 AI 기술의 항공 분야 적용을 지연시키는 주요 원인이 된다.
  • 데이터 가용성 및 품질: AI 모델은 훈련을 위해 대규모의 고품질 데이터셋이 필요하지만, 항공 산업 데이터는 종종 비정형적이고 이질적이다.68 데이터 부족은 편향되거나 부정확한 AI 예측으로 이어져 안전에 중요한 애플리케이션의 신뢰성을 저해할 수 있다.69
  • 확장성 및 계산 요구 사항: 복잡한 딥러닝 아키텍처 훈련은 상당한 컴퓨팅 파워를 요구하며, 실시간 처리를 위한 온보드 하드웨어의 제약이 있다.7 AI를 전체 항공기 또는 네트워크에 대규모로 구현하는 것은 경제적으로 prohibitive할 수 있다.69
  • 예측 불가능성: AI는 예측 가능한 매개변수 내에서는 뛰어난 성능을 보이지만, 폭풍 중 엔진 고장이나 제한 구역 내 비상 착륙과 같은 예측 불가능한 상황에서는 어려움을 겪는다.4 항공은 인간이 풍부하게 가지고 있지만 AI가 복제하기 어려운 적응성을 필요로 한다.4

극복 방안:

  • 런타임 보증 (Runtime Assurance): 자율 시스템을 더 간단한 안전 모니터로 '제한'하여, 자율 시스템의 성능과 명령이 신뢰할 수 있는지 확인한다. 성능 저하 또는 실패 감지 시 안전 모니터가 제어권을 인계하여 더 단순하지만 결정론적인 작동 모드로 전환한다.67
  • 데이터 증강 및 합성 데이터: 데이터 부족 문제를 해결하기 위해 합성 데이터 생성 및 데이터 공유 인센티브를 활용할 수 있다.20
  • 에지 컴퓨팅 및 뉴로모픽 프로세서: 온보드 처리의 계산 제약을 극복하기 위한 유망한 발전으로 언급된다.70
  • 모듈형 프로그래밍 시스템: 실시간 비행 경로 생성, LiDAR/레이더를 이용한 장애물 회피 등을 지원하여 복잡한 시스템을 관리 가능한 모듈로 분할한다.71

AI 파일럿 기술의 발전은 단순히 기술 자체의 진보뿐만 아니라, 이러한 기술적 특성을 수용하고 안전을 보장할 수 있는 새로운 규제 및 인증 방법론의 개발과 병행되어야 한다. 이러한 기술적 한계가 규제적 복잡성을 야기하고, 이 규제적 복잡성이 다시 기술 개발 및 상용화를 지연시키는 악순환이 발생할 수 있다.

 

B. 안전 보장 및 인증 프로세스의 복잡성

항공 산업에서 AI 파일럿 기술의 도입은 안전 보장 및 인증 프로세스에 복잡성을 더한다.

 

  • 새로운 인증 방법론의 필요성: AI 시스템은 배포 전에 엄격한 안전 보장 프로세스를 거쳐야 한다.54 기존 인증 방법은 비선형 적응 제어 시스템에 쉽게 사용될 수 없기 때문에 적응 제어 시스템의 인증에 어려움이 있다.72 AI 기반 시스템의 '블랙박스' 특성은 규제 기관이 내부 작동 방식을 이해하기 어렵게 만들어 윤리적 문제와 신뢰성 문제를 야기한다.54
  • 소프트웨어 업데이트의 어려움: 소프트웨어 업데이트는 새로운 학습이 이루어질 때마다 항공기 소프트웨어를 재인증해야 하는 문제점을 안고 있다.67 이 과정은 수년이 걸리고 수백만 달러가 소요될 수 있어, 자동차 소프트웨어처럼 빈번한 업데이트가 어렵다.67
  • 규제 기관의 노력: FAA와 EASA는 AI 시스템 및 소프트웨어에 대한 현재 인증 요구 사항 및 지침 표준을 크게 개정하고 있다.54 ASTM의 AC377과 같은 제안된 설계 및 인증 접근 방식은 개별 항공기 시스템 또는 조종사 기능의 자동화 위험 및 이점을 평가하여 점진적인 자동화 증가를 허용하고자 한다.67
  • 성능 측정의 복잡성: 인간 성능에 대한 시스템 성능 측정은 인간 조종사의 능력 스펙트럼이 넓기 때문에 복잡하며, 어떤 성능 기준을 충족해야 하는지에 대한 질문을 제기한다.67
  • 안전 문화 유지: 항공 산업의 핵심 가치인 '사람이 안전을 만든다'는 안전 문화를 유지하는 것이 중요하며, AI 도입이 안전 문화에 잠재적인 부정적 영향을 미칠 수 있다는 우려도 존재한다.53

 

C. 윤리적 고려사항 및 법규/규제 프레임워크의 진화

AI 파일럿 기술의 도입은 기술적, 운영적 측면뿐만 아니라 복잡한 윤리적, 법적 문제들을 야기하며, 이에 대한 규제 프레임워크의 진화가 필수적이다.

 

  • 책임 소재의 불분명성: AI의 사용은 기존 의료 시스템의 편향을 영속시키거나 증폭시킬 수 있으며, AI 시스템 오류 발생 시 책임 소재 문제가 복잡하다.75 AI가 인간의 의사결정 이니셔티브를 대체하는 상황에서 AI는 안전하고, 신뢰할 수 있으며, 진실되게 행동해야 하지만 76, AI가 내린 결정에 대한 법적 책임이 누구에게 있는지(제조사, 항공사, 개발자)는 여전히 불분명하다.73
  • 규제 프레임워크의 발전: EU AI Act는 '민간 항공'의 안전 구성 요소로 사용되는 AI를 고위험으로 분류하며, 위험 관리, 데이터 거버넌스, 투명성 등 엄격한 요구 사항을 적용한다.73 EASA는 AI 로드맵 2.0에서 인간 중심적 접근 방식을 채택하며, 조종석 또는 항공 전자 장치의 AI 기반 기능은 인간의 감독 하에 있어야 하고 통제되지 않은 자가 학습은 허용되지 않는다고 강조한다.55 FAA는 AI 로드맵에서 'AI의 윤리적 사용에 대한 처리는 이 로드맵의 범위를 벗어난다'고 명시했지만, 관련 법규를 참조한다.55
  • 윤리적 원칙 및 설명 가능성: IEEE의 윤리적 정렬 설계(Ethically Aligned Design)와 같은 원칙은 AI 시스템이 인간의 가치를 존중하고 인간의 감독을 유지해야 한다고 강조한다.53 알고리즘 편향, 인력 대체, 책임 공백 등 AI 기반 유지보수에서 윤리적 딜레마가 발생할 수 있다.77 설명 가능한 AI(XAI)는 AI 의사결정의 투명성을 개선하고 신뢰를 구축하는 수단으로 논의된다.78

 

D. 사이버 보안 위협 및 대응 전략

AI 파일럿 기술의 고도화는 항공 시스템에 새로운 사이버 보안 위협을 초래하며, 이에 대한 강력한 대응 전략이 필수적이다.

 

  • 새로운 공격 표면: AI 제어 항공기는 해커의 매력적인 표적이 될 수 있으며, 침해는 재앙적인 결과를 초래할 수 있다.4 자율 드론은 고도로 연결된 장치이므로 사이버 공격에 취약하며, 데이터 유출 및 제어 하이재킹 위험이 있다.7 MUM-T 시스템 또한 인터넷에 연결되어 있어 해커에게 취약하다.29
  • AI의 양면성: AI는 사이버 보안을 강화할 수 있지만, 동시에 새로운 취약점을 만들 수도 있다.69 예를 들어, ML 모델을 사용하여 네트워크 트래픽 및 시스템 동작의 이상 징후를 감지하여 잠재적 공격을 식별할 수 있지만 69, 딥러닝은 악성 ADS-B(Automatic Dependent Surveillance-Broadcast) 메시지 감지를 통해 사이버 보안 기능을 향상시키면서도 69, AI 시스템 자체의 취약점이 악용될 수 있다.
  • 대응 전략: 견고한 방어(보안 채널, 지속적인 모니터링, 중복 시스템)가 필수적이다.4 AI 시스템은 데이터 변조 및 손상, 무단 액세스 위협으로부터 안전해야 한다.54 이는 암호화, 안전한 통신 방법, AI 기반 위협 탐지 시스템을 통해 달성될 수 있다 있다.81

 

E. 사회적 수용성 및 항공 산업의 경제적/고용 변화

AI 파일럿 기술의 광범위한 도입은 단순히 기술적 또는 경제적 효율성 증대의 문제가 아니라, 깊은 사회적, 심리적, 고용 구조적 변화를 수반한다.

 

  • 사회적 수용성: 대중은 인간 조종사에 대한 강한 선호도를 보이며, AI 파일럿에 대한 안전 우려가 높다.4 2023년 Pew Research 설문조사에 따르면, 안전 문제와 책임 소재에 대한 필요성 때문에 인간 조종사에 대한 선호도가 높게 나타났다.4 단 한 번의 AI 실패로 대중의 신뢰가 무너질 수 있으며, 신뢰를 구축하는 데 수년간의 완벽한 성능이 필요하다.4 도시 항공 모빌리티(UAM)에 대한 초기 긍정적인 태도에도 불구하고, 안전, 환경/소음, 보안에 대한 우려가 상위권이었으며 82, 완전 자율 시스템에 대한 대중의 사용 의지는 전문가에 비해 낮게 나타났다.83 의료 또는 비상 운송과 같이 공동체 이익을 위한 사용 사례가 더 잘 수용되는 경향을 보였다.82
  • 경제적 변화: AI는 2033년까지 항공 산업 전반에 걸쳐 400억 달러 이상의 가치를 창출할 것으로 예상되며, 예측 유지보수 및 연료 최적화를 통해 연간 250억 달러의 비용 절감 효과를 가져올 수 있다.2 자율 비행은 비용을 크게 낮추고 운영 효율성을 높일 수 있으며 2, 무인 항공 시스템(UAS)의 운송 및 물류 시장은 2022년 110억 달러에서 2027년 290억 달러로 성장할 것으로 예상된다.84 AI는 항공 교통 관제 및 항공기 시스템의 운영 효율성을 높여 지속 가능성에 기여한다.2
  • 고용 변화: AI는 조종사 훈련 시간과 비용을 줄일 수 있으며 2, 9인 이상 항공기에서 필요한 조종사 수를 2명에서 1명으로 줄일 가능성이 있다.2 자율 시스템이 인간 조종사의 필요성을 줄이거나 없앨 수 있어, 특히 단거리 및 화물 노선에서 조종사 훈련, 급여 및 관련 비용을 절감할 수 있다.66 일부에서는 AI가 일자리를 대체할 것이라는 우려가 있지만, 동시에 AI 시스템 유지보수, 알고리즘 개발, 윤리적 사용 보장 등 새로운 일자리를 창출할 잠재력도 있다.85 미국 노동 통계국(BLS)은 AI가 특정 직업에 미치는 영향이 불확실하며, 소프트웨어 개발자 등 일부 직업의 고용 수요는 AI 자체의 개발 및 유지보수 필요성으로 인해 증가할 것으로 예측한다.86

대중의 안전에 대한 우려와 인간 조종사에 대한 선호는 기술 도입의 속도와 형태를 결정하는 중요한 변수이며, 이는 단순히 경제적 이점만으로는 극복하기 어렵다. 또한, AI가 기존 일자리를 대체하는 동시에 새로운 일자리를 창출하는 복합적인 고용 변화는 사회적 불평등을 심화시키거나 새로운 기술 숙련 요구를 발생시킬 수 있다. 따라서 AI 파일럿의 성공적인 미래는 기술적 완성도뿐만 아니라, 대중의 신뢰를 구축하고, 윤리적 문제를 해결하며, 변화하는 고용 시장에 대한 사회적 준비를 갖추는 다면적인 노력이 필요하다.

 

 

VIII. 결론 및 제언

A. 핵심 요약 및 기술적 시사점

AI 파일럿 기술은 항공 산업의 안전, 효율성, 지속 가능성을 혁신할 잠재력을 가진 최첨단 분야이다.1 이 기술은 딥러닝, 강화 학습, 컴퓨터 비전, 센서 융합, 분산 제어 등 다양한 AI 및 머신러닝 알고리즘을 기반으로 한다.9 특히, 유무인 복합 운용(MUM-T) 및 무인기 편대 운용(UAV Swarm)은 AI 파일럿 기술의 핵심 응용 분야로, 상황 인식, 의사결정, 임무 효율성을 크게 향상시킨다.29 현재 AI는 조종사를 완전히 대체하기보다는 조종사의 역량을 강화하는 '코파일럿' 또는 '지능형 보조 시스템'으로서의 역할에 중점을 두고 발전한다.4

 

그러나 이 기술은 비결정론적 시스템의 인증, 데이터 품질, 연산 능력, 사이버 보안, 윤리적 책임 소재, 사회적 수용성 등 해결해야 할 기술적, 규제적, 사회적 도전 과제가 여전히 존재한다.1 기술적 한계와 규제 복잡성은 상호 강화 효과를 가지며, AI 파일럿 기술의 광범위한 도입은 기술적 완성도뿐만 아니라 대중의 신뢰 구축, 윤리적 문제 해결, 변화하는 고용 시장에 대한 사회적 준비를 요구하는 복합적인 과제이다.

 

B. 향후 연구 및 개발 방향에 대한 제언

AI 파일럿 기술의 성공적인 발전을 위해서는 다음과 같은 연구 및 개발 방향에 대한 제언이 필요하다:

 

  • AI 신뢰성 및 설명 가능성 (Explainable AI, XAI) 연구 강화: AI 의사결정의 투명성을 높여 규제 기관 및 대중의 신뢰를 확보하는 것이 중요하다.20 '블랙박스' 모델의 한계를 극복하고, AI의 판단 과정을 인간이 이해할 수 있도록 하는 XAI 기술 개발에 집중해야 한다.
  • 새로운 인증 및 규제 프레임워크 개발: AI의 비결정론적 특성을 수용하고, 신속한 소프트웨어 업데이트를 가능하게 하는 유연하고 적응성 있는 인증 방법론이 필요하다.67 규제 기관과 산업계의 긴밀한 협력을 통해 AI 특화 안전 표준을 마련해야 한다.
  • 인간-AI 팀워크 (Human-AI Teaming, HAT) 최적화: 인간 조종사의 작업 부하를 줄이면서도 상황 인식 및 최종 의사결정 권한을 유지할 수 있는 효과적인 HMI(Human-Machine Interface) 및 협업 모델에 대한 연구가 필수적이다.33 AI가 인간의 역량을 증강시키는 최적의 파트너십을 구축하는 데 초점을 맞춰야 한다.
  • 사이버 보안 위협 대응 역량 강화: AI 시스템의 새로운 공격 표면에 대한 강력한 방어 메커니즘과 위협 탐지 시스템을 개발해야 한다.4 AI 기반 보안 솔루션 개발과 함께, 시스템 전반의 '보안 내재화(Security-by-Design)' 원칙을 적용해야 한다.
  • 대규모 데이터셋 구축 및 공유: AI 모델 훈련을 위한 고품질의 표준화된 항공 데이터셋 구축 및 산업 간 데이터 공유를 위한 인센티브 및 프레임워크가 필요하다.20 이는 AI 모델의 정확성과 강건성을 높이는 데 필수적이다.
  • 사회적 대화 및 교육: AI 파일럿 기술의 이점과 한계에 대한 투명한 정보를 제공하고, 대중의 이해와 수용성을 높이기 위한 노력이 지속되어야 한다.4 시범 프로그램 및 실제 시연을 통해 기술의 안전성과 신뢰성을 입증하는 것이 중요하다.
  • 군사-민간 기술 시너지 극대화: 군사 분야에서 개발된 첨단 AI 자율 기술을 민간 분야로 효과적으로 이전하고, 민간의 대규모 데이터 및 상용화 경험을 군사 분야에 적용하는 양방향 기술 전이를 촉진해야 한다. 이는 AI 파일럿 기술 발전의 속도를 가속화하고 비용 효율성을 높이는 데 기여할 것이다.

 

 

 

참고 자료

  1. FAA Roadmap for Artificial Intelligence Safety Assurance, Version I, 6월 28, 2025에 액세스, https://www.faa.gov/aircraft/air_cert/step/roadmap_for_AI_safety_assurance
  2. The Future Of Aviation: How Could AI Reshape The Industry? - Forbes, 6월 28, 2025에 액세스, https://www.forbes.com/councils/forbesbusinesscouncil/2025/06/27/the-future-of-aviation-how-could-ai-reshape-the-industry/
  3. AI and Autonomous Flight | NBAA - National Business Aviation ..., 6월 28, 2025에 액세스, https://nbaa.org/news/business-aviation-insider/2023-07/ai-and-autonomous-flight/
  4. Will AI Take Over the Skies? The Future of Pilots in Aviation, 6월 28, 2025에 액세스, https://inflightpilottraining.com/ai-and-future-pilots/
  5. Ukraine's Future Vision and Current Capabilities for Waging AI-Enabled Autonomous Warfare - CSIS, 6월 28, 2025에 액세스, https://www.csis.org/analysis/ukraines-future-vision-and-current-capabilities-waging-ai-enabled-autonomous-warfare
  6. (PDF) AI Pilot in the Cockpit: An Investigation of Public Acceptance, 6월 28, 2025에 액세스, https://www.researchgate.net/publication/377380363_AI_Pilot_in_the_Cockpit_An_Investigation_of_Public_Acceptance
  7. Drone Autonomy & AI - Fly Eye, 6월 28, 2025에 액세스, https://www.flyeye.io/drone-technology-autonomy-ai/
  8. Co-Pilots vs. AI Agents and the 5 Levels of Autonomy in Process ..., 6월 28, 2025에 액세스, https://nexocode.com/blog/posts/co-pilots-vs-ai-agents-and-the-5-levels-of-autonomy-in-process-automation/
  9. AI and Machine Learning in AVs | Autonomous Vehicle Systems ..., 6월 28, 2025에 액세스, https://library.fiveable.me/autonomous-vehicle-systems/unit-7
  10. Deep learning for autonomous driving systems: technological ..., 6월 28, 2025에 액세스, https://www.oaepublish.com/articles/ces.2024.83
  11. satellite-image-deep-learning/techniques: Techniques for deep learning with satellite & aerial imagery - GitHub, 6월 28, 2025에 액세스, https://github.com/satellite-image-deep-learning/techniques
  12. Deep Learning based enhanced aerial object detection | Journal of Geomatics - Online OJS, 6월 28, 2025에 액세스, https://onlinejog.org/index.php/journal_of_geomatics/article/view/197
  13. Deep Learning for Aerial and Satellite Image Analysis: a CNN-Based Approach | Request PDF - ResearchGate, 6월 28, 2025에 액세스, https://www.researchgate.net/publication/391081365_Deep_Learning_for_Aerial_and_Satellite_Image_Analysis_a_CNN-Based_Approach
  14. Deep Learning for Human Detection from Aerial Images in Search and Rescue Missions | Request PDF - ResearchGate, 6월 28, 2025에 액세스, https://www.researchgate.net/publication/389159434_Deep_Learning_for_Human_Detection_from_Aerial_Images_in_Search_and_Rescue_Missions
  15. Deep Reinforcement Learning-Based Optimized RNP Flight Procedure Execution - PMC, 6월 28, 2025에 액세스, https://pmc.ncbi.nlm.nih.gov/articles/PMC9460910/
  16. A deep reinforcement learning control approach for high ..., 6월 28, 2025에 액세스, https://discovery.researcher.life/article/a-deep-reinforcement-learning-control-approach-for-high-performance-aircraft/d3b3d8860c3c3a789296b5803253b7b2
  17. (PDF) Artificial Intelligence-Driven Aircraft Systems to Emulate Autopilot and GPS Functionality in GPS-Denied Scenarios Through Deep Learning - ResearchGate, 6월 28, 2025에 액세스, https://www.researchgate.net/publication/390265046_Artificial_Intelligence-Driven_Aircraft_Systems_to_Emulate_Autopilot_and_GPS_Functionality_in_GPS-Denied_Scenarios_Through_Deep_Learning
  18. (PDF) Collaborative decision‐making for UAV swarm confrontation ..., 6월 28, 2025에 액세스, https://www.researchgate.net/publication/389199949_Collaborative_decision-making_for_UAV_swarm_confrontation_based_on_reinforcement_learning
  19. Modular Reinforcement Learning for Autonomous UAV Flight Control - ResearchGate, 6월 28, 2025에 액세스, https://www.researchgate.net/publication/371891893_Modular_Reinforcement_Learning_for_Autonomous_UAV_Flight_Control
  20. (PDF) Artificial intelligence-assisted data fusion - ResearchGate, 6월 28, 2025에 액세스, https://www.researchgate.net/publication/387616772_Artificial_intelligence-assisted_data_fusion
  21. How does AI enable autonomous drone navigation? - ELPassion, 6월 28, 2025에 액세스, https://www.elpassion.com/glossary/how-does-ai-enable-autonomous-drone-navigation
  22. A Survey on Obstacle Detection and Avoidance Methods for UAVs, 6월 28, 2025에 액세스, https://www.mdpi.com/2504-446X/9/3/203
  23. Distributed Cooperative Path Planning for Multi-UAV in Information-Rich and Dynamic Environments - MDPI, 6월 28, 2025에 액세스, https://www.mdpi.com/2504-446X/9/1/38
  24. Collision Avoidance Mechanism for Swarms of Drones - PMC, 6월 28, 2025에 액세스, https://pmc.ncbi.nlm.nih.gov/articles/PMC11858889/
  25. Collision Avoidance Mechanism for Swarms of Drones - MDPI, 6월 28, 2025에 액세스, https://www.mdpi.com/1424-8220/25/4/1141
  26. (PDF) Collision Avoidance Mechanism for Swarms of Drones - ResearchGate, 6월 28, 2025에 액세스, https://www.researchgate.net/publication/388971364_Collision_Avoidance_Mechanism_for_Swarms_of_Drones
  27. Autonomous Path Selection of Unmanned Aerial Vehicle in Dynamic Environment Using Reinforcement Learning | AIAA SciTech Forum, 6월 28, 2025에 액세스, https://arc.aiaa.org/doi/10.2514/6.2025-1998
  28. AI-Driven Safety and Security for UAVs: From Machine Learning to Large Language Models, 6월 28, 2025에 액세스, https://www.mdpi.com/2504-446X/9/6/392
  29. Manned-Unmanned Teaming: Enhancing Lethality - CENJOWS, 6월 28, 2025에 액세스, https://cenjows.in/manned-unmanned-teaming-enhancing-lethality/
  30. What is Manned-Unmanned Teaming (MUM-T)? - BAE Systems, 6월 28, 2025에 액세스, https://www.baesystems.com/en-us/definition/what-is-manned-unmanned-teaming
  31. Manned-Unmanned Teaming - Joint Air Power Competence Centre, 6월 28, 2025에 액세스, https://www.japcc.org/articles/manned-unmanned-teaming/
  32. A Framework for Understanding and Developing Autonomy in Unmanned Aircraft - Mitchell Institute for Aerospace Studies, 6월 28, 2025에 액세스, https://www.mitchellaerospacepower.org/app/uploads/2022/02/Ai-Framework-Final.pdf
  33. Man UnManned Teaming (MUMT) (or the more acceptable – Human ..., 6월 28, 2025에 액세스, https://ntrs.nasa.gov/api/citations/20210022211/downloads/HFES_MUMT_shively.pdf
  34. Manned-Unmanned Teaming (MUM-T) in Military & Civilian Operations - FlySight, 6월 28, 2025에 액세스, https://www.flysight.it/manned-unmanned-teaming-mum-t-in-military-civilian-operations/
  35. Manned-Unmanned Teaming Survival in an Adaptive World - Navy - 22.1 SBIR, 6월 28, 2025에 액세스, https://navysbir.us/n22_1/N221-017.htm
  36. UAV Swarm Mission Planning in Dynamic Environment Using Consensus-Based Bundle Algorithm - PMC - PubMed Central, 6월 28, 2025에 액세스, https://pmc.ncbi.nlm.nih.gov/articles/PMC7219066/
  37. Generative AI “Agile Swarm Intelligence” (Part 1): Autonomous Agent Swarms Foundations, Theory, and Advanced Applications | by Arman Kamran | Medium, 6월 28, 2025에 액세스, https://medium.com/@armankamran/generative-ai-agile-swarm-intelligence-part-1-autonomous-agent-swarms-foundations-theory-and-9038e3bc6c37
  38. AI Algorithms and Swarm Intelligence - Unaligned Newsletter, 6월 28, 2025에 액세스, https://www.unaligned.io/p/ai-algorithms-and-swarm-intelligence
  39. arxiv.org, 6월 28, 2025에 액세스, https://arxiv.org/html/2501.02341v1
  40. FANET:-Communication Architecture and Routing Protocols A Review - Korea Science, 6월 28, 2025에 액세스, https://koreascience.kr/article/JAKO202417243295447.pdf
  41. Flying Ad-Hoc Networks (FANETs): Review of Communications, Challenges, Applications, Future direction and Open Research Topics, 6월 28, 2025에 액세스, https://www.itm-conferences.org/articles/itmconf/pdf/2024/07/itmconf_icacs2024_01002.pdf
  42. (PDF) Routing protocols strategies for flying Ad-Hoc network ..., 6월 28, 2025에 액세스, https://www.researchgate.net/publication/384402832_Routing_protocols_strategies_for_flying_Ad-Hoc_network_FANET_Review_taxonomy_and_open_research_issues
  43. FANET Routing Protocols [201]. | Download Scientific Diagram - ResearchGate, 6월 28, 2025에 액세스, https://www.researchgate.net/figure/FANET-Routing-Protocols-201_fig5_363781652
  44. FANET Routing Protocol Analysis for Multi-UAV-Based Reconnaissance Mobility Models, 6월 28, 2025에 액세스, https://www.mdpi.com/2504-446X/7/3/161
  45. FANET ROUTING PROTOCOL - IIPSeries, 6월 28, 2025에 액세스, https://iipseries.org/assets/submission/iip2022A286AF467471ED2.pdf
  46. (PDF) Flying Ad-Hoc Networks (FANETs): A Review - ResearchGate, 6월 28, 2025에 액세스, https://www.researchgate.net/publication/379133814_Flying_Ad-Hoc_Networks_FANETs_A_Review
  47. A Review Of Routing Protocols For FANET - IOSR Journal, 6월 28, 2025에 액세스, https://www.iosrjournals.org/iosr-jece/papers/Vol.%2019%20Issue%206/Ser-1/B1906010622.pdf
  48. Performance Analysis of Routing Protocols for FANETs - ResearchGate, 6월 28, 2025에 액세스, https://www.researchgate.net/publication/385546684_Performance_Analysis_of_Routing_Protocols_for_FANETs
  49. Cooperative Control of Swarms of Unmanned Aerial Vehicles - TU Delft Repository, 6월 28, 2025에 액세스, https://repository.tudelft.nl/file/File_a47e93a5-f0a5-4ce5-b154-3246d69e168d
  50. Consensus algorithms | Swarm Intelligence and Robotics Class Notes | Fiveable, 6월 28, 2025에 액세스, https://library.fiveable.me/swarm-intelligence-and-robotics/unit-5/consensus-algorithms/study-guide/PWtgaBKcesTRA9TJ
  51. SwarmPath: Drone Swarm Navigation through Cluttered Environments Leveraging Artificial Potential Field and Impedance Control - arXiv, 6월 28, 2025에 액세스, https://arxiv.org/html/2410.07848v1
  52. AI Technology Readiness Levels (TRLs): From Concept to Deployment - Espiolabs, 6월 28, 2025에 액세스, https://espiolabs.com/blog/posts/ai-technology-readiness-levels-guide
  53. The Impact of Artificial Intelligence on Future Aviation Safety Culture - MDPI, 6월 28, 2025에 액세스, https://www.mdpi.com/2673-7590/4/2/18
  54. ISACA Now Blog 2024 Navigating AI in Aviation A Roadmap for Risk and Security Management Professionals, 6월 28, 2025에 액세스, https://www.isaca.org/resources/news-and-trends/isaca-now-blog/2024/navigating-ai-in-aviation-a-roadmap-for-risk-and-security-management-professionals
  55. FAA Publishes First Roadmap for Artificial Intelligence Safety Assurance | AIN, 6월 28, 2025에 액세스, https://www.ainonline.com/aviation-news/futureflight/2024-08-21/faa-issues-first-artificial-intelligence-roadmap
  56. BigBear.ai's AI Security Solutions Support Aviation Recovery - ePlaneAI, 6월 28, 2025에 액세스, https://www.eplaneai.com/en/news/bigbearais-ai-security-solutions-support-aviation-recovery
  57. Autonomous flight | Airbus, 6월 28, 2025에 액세스, https://www.airbus.com/en/innovation/future-aircraft-operations/autonomous-flight
  58. ALIAS: Aircrew Labor In-Cockpit Automation System - DARPA, 6월 28, 2025에 액세스, https://www.darpa.mil/research/programs/aircrew-labor-in-cockpit-automation-system
  59. DARPA to demonstrate revolutionary drone capabilities for warfighters, 6월 28, 2025에 액세스, https://www.darpa.mil/news/2025/evade-drone-capabilities-warfighters
  60. AI Fighter Jets: The Future of Autonomous Combat | Built In, 6월 28, 2025에 액세스, https://builtin.com/articles/ai-fighter-jet
  61. Aurora Advances Aerospace Research through University Collaboration, 6월 28, 2025에 액세스, https://www.aurora.aero/2025/06/12/aurora-advances-aerospace-research-through-university-collaboration/
  62. Autonomous technology could soon dominate the skies | Popular ..., 6월 28, 2025에 액세스, https://www.popsci.com/sponsored-content/autonomous-technology-could-soon-dominate-the-skies/
  63. AI for Aircraft Readiness for the U.S. Department of Defense - C3 AI, 6월 28, 2025에 액세스, https://c3.ai/customers/ai-for-aircraft-readiness/
  64. Total Technology Readiness Level: Accelerating Technology Readiness for Aircraft Design - NASA Technical Reports Server (NTRS), 6월 28, 2025에 액세스, https://ntrs.nasa.gov/api/citations/20210015639/downloads/AIAA%20Total%20Technology%20Readiness%20Level%20Paper%20Final.docx.pdf
  65. The use of artificial intelligence in fighter jets, 6월 28, 2025에 액세스, https://www.flyajetfighter.com/the-use-of-artificial-intelligence-in-fighter-jets/
  66. Autonomous Skies: How AI is Powering the Future of Pilotless Aircraft and Transforming Aviation - The Rusty Hangar, 6월 28, 2025에 액세스, https://www.therustyhangar.com/blog-1-1/autonomous-skies-how-ai-is-powering-the-future-of-pilotless-aircraft-and-transforming-aviation
  67. Certification challenges for autonomous aircraft systems - Vertical Mag, 6월 28, 2025에 액세스, https://verticalmag.com/opinions/certification-challenges-for-autonomous-aircraft-systems/
  68. The Flight to Safety-Critical AI | CLTC Berkeley, 6월 28, 2025에 액세스, https://cltc.berkeley.edu/wp-content/uploads/2020/08/Flight-to-Safety-Critical-AI.pdf
  69. AI in Aviation: Safety & Security Review | Premier Science, 6월 28, 2025에 액세스, https://premierscience.com/pjai-25-725/
  70. Ai-Based Navigation & Obstacle Avoidance In Drone - IJCRT.org, 6월 28, 2025에 액세스, https://www.ijcrt.org/papers/IJCRT25A4409.pdf
  71. The Rise of Fully Autonomous Aircraft: How Programming, AI Training, and Human Expertise Shape the Future of Aviation, 6월 28, 2025에 액세스, https://ijsred.com/volume8/issue2/IJSRED-V8I2P196.pdf
  72. Verification and Validation Challenges for Adaptive Flight Control of Complex Autonomous Systems - NASA Technical Reports Server (NTRS), 6월 28, 2025에 액세스, https://ntrs.nasa.gov/citations/20180001223
  73. (PDF) Global Ethical and Regulatory Frameworks for AI in ..., 6월 28, 2025에 액세스, https://www.researchgate.net/publication/392750363_Global_Ethical_and_Regulatory_Frameworks_for_AI_in_Commercial_Aviation_Analysis_Gaps_and_Governance_Proposals
  74. (PDF) Human Factors Requirements for Human-AI Teaming in ..., 6월 28, 2025에 액세스, https://www.researchgate.net/publication/387963406_Human_Factors_Requirements_for_Human-AI_Teaming_in_Aviation
  75. The integration of AI in nursing: addressing current applications, challenges, and future directions - PubMed Central, 6월 28, 2025에 액세스, https://pmc.ncbi.nlm.nih.gov/articles/PMC11850350/
  76. The ethics of artificial intelligence: Issues and initiatives - European Parliament, 6월 28, 2025에 액세스, https://www.europarl.europa.eu/RegData/etudes/STUD/2020/634452/EPRS_STU(2020)634452_EN.pdf
  77. Regulatory, Ethical, and Security Dimensions of AI in Aircraft Maintenance: A Framework for Assessing Harm - ResearchGate, 6월 28, 2025에 액세스, https://www.researchgate.net/publication/390269515_Regulatory_Ethical_and_Security_Dimensions_of_AI_in_Aircraft_Maintenance_A_Framework_for_Assessing_Harm
  78. Regulatory, Ethical, and Security Dimensions of AI in Aircraft Maintenance: A Framework for Assessing Harm, 6월 28, 2025에 액세스, https://ecohumanism.co.uk/joe/ecohumanism/article/download/6666/6885
  79. Regulatory, Ethical, and Security Dimensions of AI in Aircraft Maintenance: A Framework for Assessing Harm | Journal of Ecohumanism, 6월 28, 2025에 액세스, https://ecohumanism.co.uk/joe/ecohumanism/article/view/6666
  80. Beyond chatbots: How AI can transform aviation and its challenges - Cirium, 6월 28, 2025에 액세스, https://www.cirium.com/thoughtcloud/beyond-chatbots-how-ai-can-transform-aviation-and-challenges/
  81. Future Trends in Aerospace and Defense: How Autonomous Systems Are Changing the Industry - Saraca Solutions, 6월 28, 2025에 액세스, https://www.saracasolutions.com/blogs/future-trends-in-aerospace-and-defense-how-autonomous-systems-are-changing-the-industry
  82. Study on the societal acceptance of Urban Air Mobility in ... - EASA, 6월 28, 2025에 액세스, https://www.easa.europa.eu/sites/default/files/dfu/uam-short-report.pdf
  83. Social Acceptability of Urban Air Mobility by Aircraft Category and Autonomous Phases - KDI Central Archives, 6월 28, 2025에 액세스, https://archives.kdischool.ac.kr/bitstream/11125/42255/1/Social%20acceptability%20of%20urban%20air%20mobility%20by%20aircraft%20category%20and%20autonomous%20phases.pdf
  84. Emerging and Cross-cutting Aviation Issues — Increased use of ..., 6월 28, 2025에 액세스, https://www.icao.int/annual-report-2021/Pages/emerging-and-cross-cutting-aviation-issues-increased-use-of-unmanned-aircraft-systems-uas.aspx
  85. The Impact of AI on the Aviation Industry | Vaughn College, 6월 28, 2025에 액세스, https://www.vaughn.edu/blog/how-artificial-intelligence-is-transforming-the-aviation-industry/
  86. Incorporating AI impacts in BLS employment projections: occupational case studies, 6월 28, 2025에 액세스, https://www.bls.gov/opub/mlr/2025/article/incorporating-ai-impacts-in-bls-employment-projections.htm
  87. Human Factors Requirements for Human-AI Teaming in Aviation - MDPI, 6월 28, 2025에 액세스, https://www.mdpi.com/2673-7590/5/2/42